几千张卡训练，一张挂了全白跑？GPU 一挂训练白跑：英伟达开源神器把恢复时间压到 94 秒

英伟达开源 NVIDIA Recovery，靠日志、GPU 指标和调度器信号自动抓故障、隔离坏节点、从检查点重启，官方称生产集群平均 94 秒完成恢复动作。

完整的大白话解读、专业细节和短视频口播稿，打开巨象雷达登录后查看。

原文：Keep Distributed Training Running with Automated Workload Recovery