Amazon SageMaker HyperPod 現在支援針對採用持續佈建的 Slurm 叢集進行深度運作狀態檢查

張貼日期: 2026年7月9日

Amazon SageMaker HyperPod 現在支援適用於透過持續佈建而建立的 Slurm 協調叢集的深度運作狀態檢查，使您得以隨時主動驗證執行中執行個體上的 GPU 加速器運作狀態。持續佈建可讓您快速開始培訓並以非同步方式擴展執行個體群組，而不會發生全有或全無的故障；現在，您可在執行個體上線時，結合這種彈性與全面的硬體驗證。此功能可解決一項嚴重障礙，即單一的狀態不佳節點也可能會浪費數小時的運算時間並延遲關鍵工作負載。

有了深度運作狀態檢查，您就能針對整個執行個體群組或特定執行個體來執行全面的硬體壓力測試和連線測試，然後再將運算資源提交至工作。由於持續佈建會在容量可用時以非同步方式將工作節點新增至您的 Slurm 叢集，因此您可在每個新節點上線時執行深度運作狀態檢查，在其上排定任務前驗證硬體，且不會中斷已在運作狀態良好節點上執行的工作負載。系統能夠透過 SageMaker 主控台和 API，在執行個體群組和執行個體層級顯示進度和結果，從而提供關於 GPU 運作狀態、網路連線和多節點通訊效能的完整可見性。系統會自動將進行檢查的執行個體與工作負載排程隔離，並在通過檢查時恢復服務。與 HyperPod 的自動節點還原功能搭配時，系統會自動重新啟動或更換故障的執行個體，以確保叢集的運作狀態良好。

此功能適用於提供 Amazon SageMaker HyperPod 的所有區域。若要了解隨需深度運作狀態檢查和持續佈建的詳細資訊，請參閱 Amazon SageMaker HyperPod 使用者指南。