Netflix 介绍了其基于 Kubernetes 的 GPU 计算平台应对大规模训练中硬件故障的做法：通过分层健康检查、自动修复和容错训练，让任务在硬件故障下继续运行。Netflix 称该平台 GPU 节点可用性超过 99.95%，任务成功率从约 98% 提升至 99.5% 以上。 这些指标由 Netflix 自行披露，描述的是其 GPU 训练与推理可靠性平台的实际运行结果。
AI 根据报道生成 · 2 小时前更新
沿着报道，了解事件的不同侧面。
Netflix 披露其基于 Kubernetes 的 GPU 计算平台，通过分层健康检查、自动修复和容错训练应对大规模 GPU 训练中的硬件故障，实现 GPU 节点可用性超过 99.95%、任务成功率从约 98% 提升至 99.5% 以上。
还没有足够的连续观测数据，暂不绘制趋势。