在 ClusterMAX 2.0 的评测里，Lambda 的可靠性是被点名批评的一项。到了这一轮测试，这成了他们重点补的功课。

结果摆在数据里：测试中模拟的3 个错误，全部被自动修复。其中两个合成 XID 在不到 15 分钟内完成自动处置，配套的仪表盘可以实时监控节点健康状态。

打开网易新闻 查看精彩图片

两个合成 XID：15 分钟内自愈

Lambda 的被动健康检查覆盖了相关条件，这是它能自动修复的前提。两个合成 XID 的处置时间都压在 15 分钟以内，节点健康状态有连接的仪表盘可供查看。

对跑训练任务的人来说，这个时间窗口的意义在于：故障被发现、被处理、被确认，整个过程不需要人守在终端前。

一个真实 XID 79：两小时后归队

测试里有一个场景没能走通自动修复这条路。团队通过执行 PCIe 二级总线重置，触发了一个真实的 XID 79。

这个节点随后进入 NotReady 状态，但没有产生 GpuXid，没有被 cordon，在 Kubernetes 层也没有任何监控可见性。最终它在2 小时后重新加入了集群。

同一轮测试中，Kubernetes 层的节点重启测试则顺利完成，没有出现异常。

把这两组结果放在一起看，Lambda 的自动修复能力在合成故障上表现干净，在真实硬件级故障上则暴露出监控链路的盲区——节点掉出去了，但 Kubernetes 层看不到发生了什么。

被批评之后，补的是哪一课

ClusterMAX 2.0 的批评指向可靠性，这一轮测试里 Lambda 把被动健康检查和自动修复作为重点。三个模拟错误全部自动修复，是这一轮拿到的成绩。

评测方的评价是：Lambda 团队在 ClusterMAX Sliver 上做得不错。