Together GPU 集群自动修复功能：从 GPU 故障到健康节点恢复

Together AI 详解了其 GPU 集群的自动修复系统，通过“被动健康检查”持续监测虚拟机内部与宿主机底层，在检测到 GPU 故障时推荐最轻量级的修复操作。该系统涵盖检测、决策、修复与物理宿主机重验四个阶段，支持用户按具体故障类型自定义全自动或人工审批策略，并可设置等待运行中作业结束。目前被动健康检查、自动修复策略及控制台与 API 修复均已正式可用。