Posts by Dong Ahn
数据中心/云端
2026年 11月 2日
借助自动工作负载恢复保持分布式训练的运行
随着分布式 AI 训练的扩展,硬件和软件依赖项之间的故障会越来越多地干扰训练进程,因此快速、可靠的恢复至关重要。
2 MIN READ
AI 平台/部署
2025年 3月 10日
在 NVIDIA DGX 云上确保模型训练可靠性
在大型 GPU 集群上训练 AI 模型给模型构建者带来了重大挑战。随着作业规模的增加,人工干预变得不切实际,
1 MIN READ