NVIDIA 把 Mission Control 2.5 的一个重点放在了 Kubernetes 集群的自动恢复上。按官方说法，这套东西是给跑在几千张 GPU 上的大模型训练用的：训练规模越大，集群停一次要花的修复时间越贵，所以才要把监控和自动化直接做进集群里。他们提到的衡量口径还是数据中心那套老指标——MTTR（平均修复时间）和 MTBF（平均无故障时间），只不过现在对象换成了 AI 工厂。具体恢复流程和触发条件原文没细说，先记下这次更新是冲着缩短集群故障停机去的。

$NVDAB