Together AI GPU 集群上线自动修复：从 GPU 故障到节点恢复无需人工

Together AI 为其 GPU 集群上线 auto repair 自动节点修复，从 GPU 故障到节点恢复健康全程无需人工。被动健康检查同时监控 VM 内部与底层宿主机，可捕获 Xid 错误、双位 ECC 错误、GPU 掉 PCIe 总线及 InfiniBand 链路抖动，并推荐最轻量修复动作。