此刻
记录最近还在想的问题。它们可以继续变化，也不必马上变成文章或项目。
更新于
训练系统该向 Agent 暴露哪些观测信息？
从任务状态、排队原因到性能指标，哪些信息足以支持判断，又怎样保留判断所需的上下文？
任务显示为运行中，并不意味着训练已经开始。Agent 需要知道哪些事实，才能区分资源等待、环境准备和真正的计算瓶颈？信息的时效性与缺失，又该怎样表达？
GPU 任务需要排队时，性能实验怎样继续？
当提交与结果之间隔着一段等待，怎样组织异步实验、保存假设，并在结果回来后继续比较？
一次实验可能要等很久才有结果。怎样记录代码版本、环境和预期，避免下一轮比较丢失上下文？等待期间可以先做哪些分析，什么又必须等到实际测量后再判断？
已经写下的一个起点
训练任务平台真正难的是什么：从提交作业到交付结果已在 2026 年 8 月发布。这篇公开资料研究梳理了生命周期、调度、可观测性与容错；上面的问题，是沿着这些线索继续想下去。