产品精选
Together GPU 集群支持节点故障自动修复
精选理由
Together 的 GPU 集群现在能自动修故障节点了，还能按 XID 错误码自定义哪些修复不用人管，跑长训练的可以看看。
Together AI 宣布其 GPU 集群新增自动修复能力：平台通过健康检查定位故障节点，自动选择最轻量的修复方式，让节点从 GPU 故障恢复到健康状态。用户可以按具体的 XID 错误代码配置哪些操作可以无人值守自动执行。该功能面向使用 Together GPU 集群做训练的团队，减少人工介入的停机时间。
原文 · Together AI
together gpu clusters can now take a node from gpu fault to healthy again automatically
health checks identify the failure, the platform chooses the lightest repair, and you decide what can run unattended, down to individual xid codes
here’s how it works https://t.co/SnYalDO5GV
