AI 工作负载运行前验证 GPU 集群就绪状态

GPU 集群即使通过全部健康检查，也可能无法正常运行 AI 工作负载。即使 GPU、网络链路和 pod 均显示正常，512-GPU 训练作业仍可能性能不足或失败。单颗 GPU 变慢、链路在负载下退化或配置将流量导向较慢路径，都可能使问题延迟至作业启动数小时后才被发现。