Together ha actualizado su plataforma GPU Cluster con nuevas funciones de confiabilidad y control operativo diseñadas para cargas de trabajo de entrenamiento e inferencia a gran escala. Los cambios incluyen una pila Slurm-on-Kubernetes reconstruida, mecanismos automatizados de reparación de nodos y herramientas mejoradas de gestión de acceso.
- Las comprobaciones de salud pasivas monitorean continuamente las cargas de trabajo reales para detectar fallos de hardware como caídas de GPU y throttling térmico con sobrecarga casi nula.
- La reparación automática de nodos genera acciones de remediación recomendadas para los problemas detectados, incluyendo reinicio, reprovisionamiento, failover o eliminación del pool.
- Slurm-on-K8s 2.0 proporciona demonios de trabajador autorreparables, contabilidad duradera de trabajos en almacenamiento respaldado por PVC y seguimiento preciso del estado de GPU después de reprogramaciones.
- El soporte de OIDC externo permite a los clústeres autenticarse contra proveedores de identidad como Google, Okta y Microsoft Entra ID para RBAC de Kubernetes.
- Los scripts de inicio permiten la personalización de nodos trabajadores, nodos de inicio de sesión y controladores al arrancar, al iniciar o finalizar un trabajo.
Estas actualizaciones tienen como objetivo reducir la fricción operativa automatizando la recuperación de fallos, mejorando la visibilidad del clúster y proporcionando un control de acceso granular para equipos en crecimiento.