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：开源工具（2 篇）
NVIDIA 发布 gds-diag 工具简化 GPUDirect Storage 配置
NVIDIA 推出开源命令行工具 gds-diag，用于评估环境、识别问题并优化 GPUDirect Storage 部署。该工具支持自然语言交互的 Agent Skill，可自动执行诊断工作流并提供修复建议，帮助开发者在数据中心和云环境中高效配置 GPU 存储加速路径。
