产品优势

大规模分布式训练：为模型训练专门打造的 RDMA（IB/RoCE）网络连接各个训练节点，实现训练网络高速通信，提升大规模分布式训练效率；
多种框架支持：支持多种主流训练框架和分布式架构，无需改变代码适配，接入零门槛；
训练任务全链路可视化监控：支持多机多卡分布式训练任务监控，且监控粒度有任务级别、Worker级别、GPU级别等三个维度的监控日志和告警，且支持多机多卡分布式训练；
支持大模型训练容错与恢复机制：为了保障大规模分布式深度学习任务稳定运行，提供任务异常检测服务、训练任务容错重新调度和恢复服务、分布式训练任务高速checkpoint服务；
支持多种训练加速框架：针对分布式训练任务，支持Parameter Server、All Reduce-DDP等训练加速框架；