New CoreWeave SUNK Capabilities Help Teams Build Modern AI Research Clusters

CoreWeave SUNK 为现代AI研究集群新增功能 | CoreWeave 博客

发布于

2026年4月30日

5

分钟阅读

新 CoreWeave SUNK 功能助力团队构建现代AI研究集群

作者：

Deok Filho

已复制

现代AI研究集群的搭建仍然过于复杂。目前，团队需要拼凑Kubernetes原语、调度器、身份系统和可观测性工具。但这种碎片化方案仍无法提供满足高强度训练工作负载的系统。原生Kubernetes的替代方案在研究人员真正开展训练之前，仍需要大量基础设施配置和运维组装。

管理规模不应成为全职工作

GPU访问本应是难题。对大多数AI研究团队而言，这并非主要挑战。更困难的问题是后续所有环节：调度、访问管理、生命周期操作、可观测性、长期任务中的集群行为。团队仍在自行构建这些能力。他们本不应如此。

因此CoreWeave正在通过新增自助服务和SUNK Anywhere功能扩展SUNK，以解决这一问题。这一演进使我们的AI训练系统在CoreWeave上更易于采用，也更便于在任何基础设施环境中扩展。

降低AI训练的基础设施组装复杂度

SUNK是业界首个专为最严苛AI工作负载打造的统一训练系统，支持数月预训练、大规模强化学习（RL）任务和智能体环境等场景。它在保留Slurm工作流程价值的同时，提供Kubernetes的运维优势，为平台团队和研究人员提供从集群搭建到高效训练的更流畅路径。同时作为市场最经过验证的Slurm-on-Kubernetes方案，其设计充分考量了大规模AI运行的现实需求。

我们的目标不是在研究集群边缘添加更多工具。而是通过减少基础设施管理时间，同时保持长期训练任务所需的稳定性、可见性和控制力。这正是SUNK自助服务和SUNK Anywhere的设计逻辑。

客户反馈印证了这一点。IBM指出，拓扑感知调度和自定义仪表板使在GB200系统上实现更快、更高效的训练运行和更高的集群利用率成为可能。Cursor则强调共享文件系统、自动化用户配置和可定制环境让研究人员能够专注于研究本身而非工具链。这些正是统一训练系统带来的运营优势。

通向可用研究集群的更快路径

SUNK自助服务通过简化生产环境搭建路径，结合CoreWeave最佳实践，显著加快SUNK集群上线速度。缩短启动时间只是加速故事的一部分。减少后续流程中的漂移同样关键。标准化和权威性模式使团队能从生产就绪的基准线出发，简化入职流程，并随着时间推移保持更一致的集群行为。

结果？研究人员在环境搭建上花费更少时间，访问权限与实验之间的摩擦也显著减少。平台团队则获得更可重复的部署和运营研究集群方式，无需逐个集群重建相同的运营模型。

SUNK 还简化并增强了集群访问安全性。自动化用户配置（AUP）通过 SCIM 协议将身份提供商中的用户和组同步到 CoreWeave IAM。而 SUNK 用户配置（SUP）则自动化管理 SUNK 集群内部所需的 POSIX 用户、组、SSH 密钥和 Slurm 账户。这些功能的结合减少了人工入职工作量，同时确保访问权限与实际科研环境的运行方式保持一致。

CoreWeave SUNK 自助服务平台为客户提供了更便捷的部署体验。即使您拥有长期固定合同，也有许多理由通过自助服务方式快速创建集群。归根结底，速度是核心竞争力。CoreWeave 深谙此道，通过匹配客户所需的节奏来支持其成功。

Dylan Patel；创始人、首席执行官兼首席分析师，SemiAnalysis

在任何基础设施上运行 SUNK Anywhere

如果基础设施灵活性不能减少实际执行训练的团队所面临的碎片化问题，那么这种灵活性就没有价值。随着组织在不同供应商和客户自有基础设施之间扩展，他们不应该每次环境变化时都不得不采用不同的训练系统、工作流程或操作规范。

SUNK Anywhere 将统一的训练系统从 CoreWeave 基础设施扩展到更广泛的环境。它使团队能够在不同环境中以标准化方式运行高要求的 AI 工作负载，而非分散到不同技术栈中。这种连续性对平台领导者至关重要，他们需要可移植性而不牺牲操作模型的稳定性；对研究人员而言，当基础设施规模扩大时，熟悉的调度行为和工作流程同样重要。

CoreWeave 的 SUNK 让我们兼得二者优势：Slurm 服务于我们的科研人员，Kubernetes 则满足产品所需的可观测性和生产级长期服务。令人印象深刻的是，许多边缘情况已得到良好处理。我们正在 CoreWeave 和非 CoreWeave 提供商上运行数千 GPU 的大规模分布式作业，且在非 CoreWeave 集群部署 SUNK 仅需极少配置更改。

Xander Dunn，技术团队成员，Periodic Labs

为 AI 研究提供更深入的可见性

我们现在正在扩展 Mission Control 的可观测性功能，新增 GPU 滞后检测能力。在分布式训练中，昂贵的问题不一定是清晰的失败。通常，单个 GPU、节点或通信路径开始表现不佳，从而拖慢整个任务。将可观测性扩展到 GPU 之间的通信行为，帮助团队更早识别性能异常值，并在任务运行过程中更清晰地理解分布式训练行为。研究人员可以精准定位导致任务停滞的特定 GPU，并在排除该设备后重启任务。

SUNK 实际应用中的含义

实证数据至关重要。SUNK 的设计目标是最大化生产性训练时间，在基准测试场景中可实现高达 96% 的有效吞吐量，且平均故障时间延长 10 倍。正确的训练系统不仅仅是关于峰值硬件访问能力，更在于任务启动后能持续稳定地进行有用工作。

满足现代 AI 训练需求

AI团队不应被迫在熟悉的科研工作流程与高性能训练系统之间做出选择。这正是SUNK在CoreWeave更广泛的AI基础设施中扮演的角色：在保留研究人员所需功能的同时，为平台团队提供更统一、更具操作可信度的方式来运行最复杂的AI工作负载。是的，研究集群的创建仍然过于复杂。而且太多替代方案仍要求客户自行组装运营模型。正因如此，我们认为团队需要一个更完整、经过验证的解决方案：CoreWeave SUNK。

了解CoreWeave SUNK

为什么SUNK对构建现代AI研究集群的团队至关重要：更快实现高效训练、减少计算碎片化、获得更深入的操作可见性。

分享本文： /think