Keep Distributed Training Running with Automated Workload Recovery

NVIDIA 介绍自动化工作负载恢复（Automated Workload Recovery）方案，应对分布式 AI 训练规模扩大后日益频繁的软硬件故障。典型故障包括训练 rank 卡死触发 NCCL 超时、GPU 节点失去调度器响应、straggler 拖慢整个任务。该方案旨在实现快速可靠的恢复，保障训练持续运行。