NVRx 在 Amazon EKS 上主要解决分布式训练中的哪些问题？
它通过异步检查点、进程内重启和 ft_launcher 作业内重启，分别减少检查点 I/O 阻塞、应对软故障与硬故障，从而降低 GPU 空转时间。
Fault tolerant distributed training on Amazon EKS using NVRx
（翻译）使用 NVRx 在 Amazon EKS 上进行容错分布式训练
资讯摘要
Integrate NVIDIA Resiliency Extension (NVRx) into PyTorch FSDP training on Amazon EKS to overlap checkpoint I/O with training and recover from GPU faults in seconds. This post covers async checkpointing, in-process restart, and ft_launcher in-job restart, with H100 benchmarks at 2 to 8 nodes showing
AI 摘要
本文介绍如何在 Amazon EKS 上将 NVIDIA Resiliency Extension（NVRx）集成到 PyTorch FSDP 分布式训练中，通过异步检查点、进程内重启和 ft_launcher 作业内重启分层处理 GPU 故障，并在 H100 集群 2 至 8 节点规模下给出基准结果与复现代码。
AI 问答
异步检查点是如何工作的？
用 TorchAsyncCheckpoint 的 async_save 将状态字典交给后台进程写入，主线程继续训练，并在下一次保存前或任务退出时用 finalize_async_save 提交上一次写入。
文章使用了什么集群与存储配置进行测试？
使用 p5.48xlarge 节点，每节点 8 张 NVIDIA H100 80GB GPU 和 32 个 EFA 网络接口，并搭配同一可用区的 Amazon FSx for Lustre SCRATCH_2 共享存储。
更多资讯
豆包工作还想反超WorkBuddy？
飞书与豆包工作合体后首亮相：Agent 能进群，还能帮你写周报、做PPT
How NVIDIA Groq 3 LPX Deterministic Execution Drives Power-Efficient High-Interactivity Inference on NVIDIA Vera RubinFirefox 156 释出
让 AI 补货，但不让它算库存——LangGraph 在生鲜补货的落地实践
Scaling Federated Learning Across Docker, Kubernetes, and Slurm with NVIDIA FLARE
“裁判”不想给阿莫迪吹暂停
物理 AI 的大结果何时到来？
AI for everyone in every language
无效的管理者和疲惫的基层：浅论考核指标的漂移F-Droid 上的应用有多少是在 AI 帮助下编写的？
一边喊停一边敲钟：硅谷AI巨头到底在怕什么
华为坤灵升级“4+10+N”场景化方案，发布“经纬计划”和50个样板点协同办公进入Agent时代，飞书+豆包工作跑在了最前面
视频号评论区小蓝词使用指南
美股太贵 该加仓新兴市场吗？
牛市的钱：是熊市里守出来的
19.98 万元起，吉利银河战舰 700 开启预售，最高 1129 匹马力，还有三电机四驱
场景越多 ≠ 产品越好，：从抽象价值到真实生活的定义结构前高通算法研发经理跨界AI算力板检测，获近亿元战略投资丨36氪首发和Jeff Dean押注同一方向，27岁清华助理教授创业，两个月融资数亿9月21日，深圳前海！聊聊工业AI与生态共创的下一步
渣打给ARB十美元目标价靠什么？
探秘柬埔寨，千年吴哥窟
129亿美元卖身英伟达之后，是时候重新理解Hugging Face了把记忆交给CPU，大模型会变快
个贷不良四年涨 23 倍：这门从“救大行”长出来的生意，底层逻辑是什么？
香港第一、全球第八：OSL进化背后的数字资产新格局
GPT-6 Astra 之后，产品经理需要重新设计人在流程中的位置Denuvo 起诉黑客违反 DMCA 反规避条款