Ai2 分享 GPU 集群调度系统改造实践

Ai2 用 GPU 时间预算、分层公平分配和时间切片契约替换了原有的优先级调度器，把各研究项目该分多少 GPU 时间的争论从逐案运维转为透明的预算流程。其集群管理数千块 NVIDIA H100、B200 和 B300，规模 88 至 1024 GPU，服务约 150 名内部研究员，需求常年是可用算力的 2-3 倍。旧调度器曾导致 GPU 占坑和优先级通胀，最终 100% 工作负载都标为 HIGH。 新系统中，用户可将最低运行时间设为零，表示 GPU 时间不分配，这类工作负载总会被抢占，但不计入任何预算；时间切片下，受保护的运行时间上限为 8 小时，超过分配后会话可被抢占。Ai2 还计划在本地存储旁建设 CPU 专用集群用于数据准备开发会话，并为这些 CPU 工作负载构建可恢复会话。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。