AI-Infra
训练任务平台真正难的是什么：从提交作业到交付结果
训练平台不是一个提交作业的界面，而是一套管理资源、环境、时间与失败的不确定性系统。本文从生命周期、调度、可观测性和容错四个方面，讨论训练任务平台真正困难的工程问题。
WRITING / 技术文章
写下来，
才能真正想清楚。
这里不追逐信息流。每一篇文章都从一个具体问题出发，尽量把机制、过程和取舍讲清楚。
这些早期文章记录了我从系统、算法到 GPU 工程的技术轨迹。新的内容会沿着 AI 工程与研发效率继续向前。
通过 RSS 订阅