NVIDIA Recovery 自动化恢复分布式训练中断
NVIDIA Recovery 是 DSX OS 中的开源服务，通过自动检测故障、隔离资源并从检查点重启，解决大规模分布式 AI 训练中因硬件或软件问题导致的任务中断。该方案减少人工干预，维持集群算力利用率并提升有效训练进度。
标签：分布式训练（3 篇）
NVIDIA DGX Spark 支持八节点集群运行千卡级 AI 模型
NVIDIA 宣布在 GTC Berlin 发布支持八个 DGX Spark 节点的集群方案，将统一内存扩展至 1 TB。该配置可本地部署 GLM-5.3 等千亿参数前沿模型，实现交互式推理与多智能体编排，为开发者提供强大的本地高性能计算能力。
NVIDIA Minerva 利用 AIOps 提升 AI 工厂 GPU 利用率
NVIDIA Minerva 平台通过收集全栈遥测数据，构建动态知识图谱并应用机器学习，将分散的故障信号关联为高保真事件。这解决了 AI 工厂中因细微硬件退化导致的训练延迟问题，显著减少跨团队排查时间，从而最大化 GPU 产出效率。
