NVIDIA：如何在 AI 负载上线前验证 GPU 集群就绪状态

NVIDIA 指出 GPU 集群即使所有 GPU、网络链路和 pod 均报告健康，512-GPU 训练任务仍可能性能不达标或失败，原因可能是单块 GPU 变慢、链路在负载下降级或配置悄悄将流量导向更慢路径。这类问题往往要到训练运行数小时后才被发现。