Together GPU 集群自动修复：从 GPU 故障到健康节点

导读

Together AI 详解其 GPU 集群自动修复系统：被动健康检查在 VM 内与宿主机两侧持续监测 Xid 错误、ECC 双比特错误、PCIe 掉卡和 InfiniBand 链路抖动，每项修复都附带证据。