最新文章

一篇关于 GPU checkpoint/restore 的技术笔记：以 FlowGPU 为主线，介绍 cudaw prototype 如何探索透明的暂停、恢复与迁移。

基于我们的 ACM Computing Surveys 论文，梳理 GPU 数据中心里的训练、推理、HPO、混合负载以及未来调度器设计。

一篇关于 ResiHP 的技术报告：它在变长序列带来的噪声中识别 fail-slow 设备，并动态调整 3D 并行来提升大模型训练韧性。

一篇关于 CONCUR 的技术笔记：它在 agent 层做准入控制，避免长时间运行的 LLM agent 推理把 KV cache 推入失控区间。

一篇关于 ASTRAEA 的技术笔记：它面向多租户 GPU 集群，用长期 GPU-time 衡量公平性，避免只看瞬时分配或任务完成时间。