Skip to main content
面向已有 Slurm 的机房。控制面只走 slurmrestd（REST + JWT），没有 sbatch / SSH 旁路。训练在 Enroot/Pyxis 或 Apptainer 容器里跑。

​
前置

  1. slurmrestd 开启并配置 JWT 鉴权；
  2. 计算节点装容器运行时：Enroot + Pyxis（推荐）或 Apptainer；
  3. 共享文件系统（作业暂存目录与产物）；
  4. 一等框架的执行工件以 SQSH / SIF 形式发布到 runtime registry（custom + slurm 不允许 OCI 镜像隐式物化）。

​
配置

​
语义要点

LaunchRequest 渲成批脚本（镜像、挂载、srun 拓扑、ingest 凭据）。终态日志归档后删掉 shared staging 和 scheduler 日志。提交中断的残留会在重试前清掉。
多池作业渲染为 Slurm 异构作业：每池一个组件，--constraint 按卡型 series 的 slurm_constraint 钉节点。series 未声明 constraint 时装配层直接拒绝（fail-closed，组件不会落到任意 GPU 节点）。
状态经 REST 轮询映射到平台状态机；日志从共享目录读取回传（异步化处理，大日志不阻塞事件循环）。

​
已知边界

  • Playground 不支持：训练节点通常无入向网络；
  • E2E 闭环暂未覆盖 slurm（需容器化 slurmrestd + Apptainer，规划中）——批脚本渲染、REST 客户端、hetjob 与状态映射有完整单测。见 E2E 闭环测试。