场景挑战
大模型训练对基础设施状态极其敏感。GPU空转、Rank掉队、无损网络拥塞或NCCL通信异常，都可能造成训练作业长尾和算力浪费。
建设路径
采集GPU、NIC、交换机、eBPF和作业调度数据
关联PFC、ECN、CNP、QPN、NCCL和Rank维度
将基础设施异常映射到作业效率、训练瓶颈和容量优化建议
预期价值
训练链路瓶颈更快定位
GPU与NIC健康状态可解释
为智算中心运营形成高价值可观测数据底座
客户信息说明
我们尊重客户信息安全与商业保密要求，案例内容以行业、场景、问题和建设价值为主，不展示未经客户许可的名称、Logo、金额和部署范围。