全部文档
当前文档
最近更新时间：2025-05-07 11:35:20
弹性算力调度：支持CPU、GPU、NPU等异构计算资源的统一纳管，按需动态分配算力，支持秒级扩容与缩容，满足突发性高负载任务需求。
GPU资源监控：提供细粒度GPU资源监控面板，实时展示算力卡利用率、显存占用等关键指标及使用趋势。
RoCE网络监控与性能保障：针对高性能计算（HPC）及分布式训练场景，集成RDMA over Converged Ethernet（RoCE）网络监控功能，实时追踪网络带宽、延迟、丢包率等指标，确保低延迟、高吞吐的通信性能。
节点自愈与自动化运维：对接KCE自愈组件KCE自愈组件介绍，支持硬件故障（如GPU卡异常）场景的自动隔离、重启或资源迁移，减少人工干预；提升集群整体可用性与稳定性。
多环境支持：集成了Notebook、VSCode两种开发环境，提供代码编写、调试及运行的沉浸式体验。
生命周期管理：支持实例的生命周期管理。
高性能训练引擎：支持多机多卡分布式训练、混合精度计算与自动梯度优化，显著提升大规模模型训练速度。
训练监控与容错：实时展示训练任务指标（如Loss曲线、GPU利用率），支持任务异常中断后自动恢复，减少资源浪费。
模型注册及管理：支持对接存储和训练任务，实现模型的元数据管理。
管理关联在线服务：支持查看模型所关联的在线服务。
快速部署：支持对模型进行快速部署
自定义部署：支持用户对训练出的模型进行部署。
内置大模型一键部署：内置若干主流大模型，支持一键快速部署。
纯净模式
