在 AI 工作负载上线前验证 GPU 集群就绪性

GPU 集群即使通过常规健康检查，在承载实际 AI 工作负载时仍可能出现性能下降或运行失败。在 512-GPU 训练任务中，单颗慢速 GPU、高负载下劣化的网络链路或走慢速路径的异常配置，往往导致运维人员在运行数小时后才发现问题，因此在 AI 负载正式运行前验证集群就绪状态至关重要。