可观测与验收

观测与计量

梳理 GPU 平台运营的关键问题清单，涵盖占用、利用率、干扰、SLA、计量与成本归因，并给出渐进式建设路线。

验收与容量

给出可复用验收标准：吞吐、P99、干扰系数、碎片率、失败率，并把实验结果转化为容量规划输入。

排障

聚焦线上常见问题：OOM、版本不一致、MIG 重配置、调度抖动，并给出从控制面到数据平面的定位路径。