机器之心发布机器之心编辑部伴随大模型迭代速度越来越快，训练集群规模越来越大，高频率的软硬件故障已经成为阻碍训练效率进一步提高的痛点，检查点，Checkpoint，系统在训练过程中负责状态的存储和恢复，...