引言：大规模机器学习工作负载（包括训练、微调及推理）需在数百至数千个 GPU 实例组成的集群上连续运行数天甚至数周。如此规模的集群运维可见性始终是一项持续挑战：硬件健康事件、节点生命周期转换、容量波动以及工作负载级问题会频繁出现在事件流中……