Together AI 详解 GPU 集群自动修复机制：从故障检测到节点恢复

Together AI 公开其 GPU 集群自动修复系统，通过 Hypervisor 内外双侧检测 Xid、ECC 等故障并推荐最轻修复动作。该功能已正式可用，支持按故障类型配置审批策略及等待空闲控制，旨在最小化停机时间并保障分布式训练与推理负载的韧性。