NVIDIA：AI 工作负载上线前如何验证 GPU 集群就绪状态

GPU 集群即使每块 GPU、网络链路和 pod 都报健康，512-GPU 训练任务仍可能性能不达标或失败，原因可能是单块 GPU 变慢、链路在负载下降级或配置悄悄把流量引向慢速路径。这类问题往往要等到训练运行数小时后才被发现，因此需要在 AI 工作负载落地前验证集群就绪状态。