SageMaker HyperPod 现已支持分布式训练工作负载的成组调度

发布于: 2026年4月8日

Amazon SageMaker HyperPod 任务治理现已支持成组调度，这确保了分布式训练作业所需的所有容器组 (pod) 在训练开始前均已就绪。管理员可以配置成组调度，以防止因部分作业运行而浪费计算资源，并避免作业因等待资源而产生死锁。

数据科学家使用 EKS 编排工具在 Amazon SageMaker HyperPod 集群上运行分布式 AI/ML 训练作业时，需要多个容器组 (pod) 通过容器组 (pod) 间通信在节点间协同工作。当部分容器组 (pod) 启动而其他容器组 (pod) 未启动时，作业可能会占用资源却无进展，从而阻塞其他工作负载并增加成本。成组调度通过以下方式来解决这个问题：监控工作负载中的所有容器组 (pod)，如果并非所有容器组 (pod) 在设定的时间内都准备就绪，则撤回工作负载。被撤回的工作负载会自动重新排队以防止停滞。管理员可以在 HyperPod 控制台上调整设置，例如等待容器组 (pod) 就绪的时间、如何处理节点故障、是否一次仅接纳一个工作负载以避免繁忙集群出现死锁，以及如何调度重试。

此功能目前适用于使用 EKS 编排工具的 Amazon SageMaker HyperPod 集群，并且已在以下 AWS 区域推出：美国东部（弗吉尼亚州北部）、美国东部（俄亥俄州）、美国西部（北加利福尼亚）、美国西部（俄勒冈州）、亚太地区（孟买）、亚太地区（新加坡）、亚太地区（悉尼）、亚太地区（东京)、亚太地区（雅加达）、欧洲地区（法兰克福）、欧洲地区（爱尔兰）、欧洲地区（伦敦）、欧洲地区（斯德哥尔摩）、欧洲（西班牙）和南美洲（圣保罗）。

要了解更多信息，请访问 SageMaker HyperPod 网页和 HyperPod 任务治理文档。