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。

一篇关于 Hydro Bubble Squeezer 的技术文章：它把轻量级超参数搜索任务放进大模型流水线并行训练的空泡里运行。

记录这个站点做过的一些优化，以及当前挂在域名下的服务。