V2EX· zx94438011·· 1 天前AI 评分50
Meta 公开 Prometheus 大集群运维数据：每 8000 张卡每天近 1000 次中断，一年降 99%
[硬件] Meta 公开了大集群的运维数据：每 8 千张卡每天近 1000 次中断，一年降了 99%，靠的不是换新卡
AI 导读
Meta 公开俄亥俄 Prometheus 集群（第一期几十万张 GPU）运维数据：2025 年年中每 8000 张卡每天近 1000 次中断，一年后训练中断减少 99%，预训练 goodput 超过 85%。
来源：V2EX · v2ex.com