Meta俄亥俄州New Albany的Prometheus超算集群中超11%的Nvidia GPU故障或闲置待命，作为热备随时准备接替故障GPU

Meta本周披露，其位于俄亥俄州New Albany的Prometheus超算集群中超过11%的GPU要么已损坏、要么处于闲置状态，作为热备随时准备在故障发生时接替。Prometheus是Meta迄今最大的计算部署之一，由Nvidia Grace Blackwell以及(即将到来的)Vera Rubin机架系统驱动，Meta称该超集群最终将扩展到约100万颗加速器、1吉瓦容量。集群目前由GB200和GB300系统驱动，每个NVLink域有72颗GPU，但任一时刻仅64颗在使用，其余8颗为热备；Meta如此设计是因为单颗GPU故障会导致整个机架停机并中断训练。Meta称在Prometheus部署第一阶段，每8,000颗GPU每天经历约1,000次中断，一年内已将中断减少99%，降至每8,000颗GPU每天约11次。此外，Meta称其最新模型Muse Wonder的预训练goodput超过85%，强化学习goodput超过90%；其目标是朝100万颗GPU迈进时将中断率降至每8,000颗GPU每天2次，约100,000 GPU小时的平均中断间隔。原文未说明该披露对GPU市场供需的影响。

来源：The Register · 2026/10/20 · 查看原始来源