NVIDIA：如何在 AI 工作负载落地前验证 GPU 集群就绪状态

NVIDIA 指出 GPU 集群即使所有 GPU、网络链路和 pod 均报告健康，512-GPU 训练任务仍可能性能不达标或失败，原因可能是单个慢速 GPU、负载下性能劣化的链路，或悄悄将流量导向慢速路径的配置。运维人员往往要到训练运行数小时后才会发现问题。