Amazon SageMaker HyperPod 现已支持对使用 Slurm 编排的集群进行持续预置

发布于: 2026年3月25日

Amazon SageMaker HyperPod 现已将持续预置支持扩展至使用 Slurm 编排工具的集群，从而为运行大规模人工智能/机器学习工作负载的企业客户提供更大的灵活性和更高的效率。运行基于 Slurm 的集群的人工智能/机器学习客户需要快速开始训练、无缝扩展、在不中断运营的情况下进行维护，并对集群运营拥有精细的可见性。以前，只要任一实例组无法完全预置，整个集群的创建或扩展操作就会失败并回滚，进而导致延迟，并且需要人工干预。

通过对 Slurm 进行持续预置，SageMaker HyperPod 可自动在后台预置剩余容量，同时可以在可用实例上立即开始训练作业。该系统使用基于优先级的预置，首先启动 Slurm 控制器节点，随后并行启动登录节点和 Worker 节点，从而使您的集群能够尽快进入可操作状态。HyperPod 会异步重试失败的节点启动，并在这些节点可用时自动将其添加到 Slurm 集群中，从而确保集群能够可靠地达到所需规模，而无需人工干预。现在，您可以跨多个实例组执行并发的、无阻碍扩展操作 – 单个实例组的容量不足问题将不再阻碍其他实例组的扩展。这些功能有助于客户缩短训练时间，最大限度地提高资源利用率，并专注于创新而非基础设施管理。

此功能适用于使用 Slurm 编排工具的新 SageMaker HyperPod 集群。在使用 CreateCluster API 创建新的 HyperPod 集群时，您可以通过将 NodeProvisioningMode 参数设置为“Continuous”来启用持续预置。在通过 AWS CLI 和 SageMaker AI 控制台创建新的集群时，也可以启用持续预置。

此功能现已在支持 Amazon SageMaker HyperPod 的所有 AWS 区域推出。要了解有关对 Slurm 集群进行持续预置的更多信息，请参阅 Amazon SageMaker HyperPod 用户指南。