跳到正文
热点事件持续更新

AWS SageMaker HyperPod 推出多项基础设施与集群管理功能

3 篇报道1 个报道来源21 小时前更新

先了解这件事

AI 综述

AWS 在 SageMaker HyperPod 中陆续推出工作负载恢复、增强型可观测性及集群扩展功能,旨在提升 GPU 训练故障检测效率与管理灵活性。 11月19日,AWS 发布 MultiNodeTrainingValidation、Kubernetes 资源监控代理及 Slurm 挂起作业检测功能,声称能更早发现训练故障并提升集群 goodput。随后于 11月20日,推出增强型基础设施可观测性,通过 CloudWatch DetectGroupOutliers API 识别异常加速卡,并基于静态规则检测硬件故障、网络降级及过热等失效模式,默认指标采集间隔为 30 秒。 11月21日,AWS 进一步推出集群扩展(Cluster Extensions)功能,为 Slurm 集群提供声明式管理的软件配置能力。首发包含可观测性扩展和用户管理扩展,支持通过 API 或控制台进行安装、配置与更新。

AI 根据报道生成 · 20 小时前更新

事件进展

2 个进展

  1. 11月20日 00:41 · 2 篇报道
    Amazon SageMaker HyperPod发布增强基础设施可观测性
    AWS Machine Learning Blog:Amazon SageMaker HyperPod 发布增强型基础设施可观测性
  2. 11月19日 07:03 · 1 篇报道
    AWS发布SageMaker HyperPod工作负载恢复与基础设施检查功能
    AWS Machine Learning Blog:Amazon SageMaker HyperPod 推出工作负载恢复与基础设施检查功能

报道时间线

沿着报道,了解事件的不同侧面。

11月21日
  1. AWS Machine Learning Blog
    Amazon SageMaker HyperPod 发布集群扩展功能

    Amazon SageMaker HyperPod 推出集群扩展(Cluster Extensions),为 Slurm 集群提供可声明式管理的软件配置能力。该功能首发包含可观测性扩展(sagemaker-observability)和用户管理扩展,支持通过 API 或控制台进行安装、配置与更新。

11月20日
  1. AWS Machine Learning Blog
    Amazon SageMaker HyperPod 发布增强型基础设施可观测性

    Amazon SageMaker HyperPod 推出增强型基础设施可观测性,帮助团队更快诊断 GPU 训练问题。该功能通过 CloudWatch DetectGroupOutliers API 识别异常加速卡,并基于静态规则检测硬件故障、网络降级及过热等常见失效模式。默认指标每 30 秒采集一次,新增的 CloudWatch 作为默认度量存储提供更低价格和更紧密的控制台集成。

11月19日
  1. AWS Machine Learning Blog
    Amazon SageMaker HyperPod 推出工作负载恢复与基础设施检查功能

    Amazon SageMaker HyperPod 推出 MultiNodeTrainingValidation、Kubernetes Resource Monitoring Agent 和 Hung job detection 三项新功能,旨在更早发现训练故障并提升集群 goodput。

本事件热度走势

可比范围当前
6
可比范围峰值
1011月20日 01:00
近 24 小时变化
+19%

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。

关联事件