“你只计算一次”：Clockwork 如何终结 AI 训练重启

Clockwork 推出 TorchPass 容错产品和 YOCO 保证，宣称 90% 的 GPU 集群故障无需回滚检查点，通过实时迁移训练作业到健康 GPU 来避免昂贵的重算。文章分析了当前训练中断的成本、TorchPass 的工作原理、两种模式（模型感知与模型透明）、局限性以及独立基准测试结果。