恢复能力扩展至 Kubernetes
NVIDIA 于 2026 年 10 月 26 日介绍已可用的 Mission Control 2.5,将此前面向 Slurm 工作负载的自主恢复能力,扩展到由 Run:ai 管理的 Kubernetes AI 任务。
作业与硬件分开处理
调度器、作业恢复与硬件恢复形成协同控制流程:硬件故障时,训练可先在健康节点重启或重新调度,同时隔离问题节点并诊断。暂时的软件错误则按策略重试,避免把健康硬件误送维修。
部分能力仍处测试阶段
新版还包含身份认证及 Kubernetes 加固更新,但 AI 网络异常检测仅为测试版,Vera Rubin NVL72 支持属于早期访问。部署团队应按正式文档核对环境与恢复策略,不宜将所有新增能力都视作全面可用。
官方资料。资料核对于 2026-10-27。
