跳到正文
热点事件持续更新

SageMaker HyperPod 推出负载恢复与三项检查能力

1 篇报道1 个报道来源48 分钟前更新

先了解这件事

AI 综述

Amazon SageMaker HyperPod 推出负载恢复与三项新基础设施检查能力,用于更早发现训练故障、提升训练 goodput:MultiNodeTrainingValidation 深度健康检查在实例创建或按需运行时用 Tiny Megatron 与 Megatron 测试验证 GPU 能否正确训练,另有 Kubernetes 资源监控代理与 Slurm 挂起作业检测。 挂起作业检测仅面向由 Slurm 编排的 HyperPod 集群,需使用 2026 年 11 月 10 日或之后发布的 HyperPod Slurm AMI,并要求规则文件在作业所有计算节点的同一路径可读。

AI 根据报道生成 · 39 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. AWS Machine Learning Blog
    Amazon SageMaker HyperPod 新增工作负载恢复与扩展基础设施检查

    Amazon SageMaker HyperPod 推出三项新能力以提升训练 goodput:MultiNodeTrainingValidation 深度健康检查在实例创建或按需运行时用 Tiny Megatron 与 Megatron 测试验证 GPU 是否能正确训练。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。