美国时间 10 月 19 日，Meta 工程博客原文把 Prometheus 摊开讲了。这个位于俄亥俄州新奥尔巴尼的集群，一期已经建成并投入训练 Muse 系列模型，现有数十万块 GPU，满配约 100 万块，园区规模到千兆瓦级。
这类披露通常看一个数字就够了，但这次值得看的是另外两组：一组是中断次数，一组是机架里空着的那几张卡。规模决定上限，冗余决定能不能跑满，而后者的数字在行业里通常不公开。
一期已建成，满配指向一百万块
已经建成的部分已经在干活。Meta 说一期用于训练 Muse 系列模型，训练 Muse Wonder 时预训练阶段的有效算力（goodput）超过 85%，强化学习阶段超过 90%。这个指标衡量的是买来的算力里有多少真的参与了有效计算，不是纸面峰值。
剩下的容量还在规划里。满配约 100 万块 GPU，园区功耗到千兆瓦级。此前 Meta 发布 Muse Spark 时，外界看到的只是模型侧的动作，这一篇补上的是模型背后的机器。
三代平台在同一个月里并行
Prometheus 里同时在跑三代 NVL72 平台，这是这次披露里信息量最大的技术细节：
- Catalina：用 GB200，双机架 36 加 36 拼成 72 卡域，每卡 800G 对外带宽
- Clemente：用 GB300，单卡 288GB，单机架 72 卡
- San Miguel：第三代，将上 Vera Rubin
三代平台同时在跑，采购节奏是跟着芯片代际走的，而不是等一代成熟再换。这种并行对运维的压力直接体现在网络设计上：单栋楼最多连 20,736 块 GPU，跨楼汇聚网最远超过 100 公里。
图 1：单栋楼网络最多连 20,736 块 GPU，跨楼汇聚最远超 100 公里
中断峰值一年降了九成九
一期最初的中断峰值大约是每天 1000 次，口径按 8000 块卡的规模计。一年的工程优化之后，降幅是 99%——从四位数掉到两位数，量级变了。
更能说明问题的是间隔指标。中断间隔（MTBI）约 4.7 万 GPU 小时，固件修复后超过 5.4 万，目标是 10 万。集群规模与故障数据解读把这三档数字放在一起做了对比。中断次数比算力数字更能说明集群成熟度，因为它反映的是软件、固件、调度的综合水平，而不是采购了多少卡。
图 2：中断峰值从每天约 1000 次降到 11 次左右
冗余不是浪费，是买保险
这份冗余账 Meta 写得很直白，分两层：
- 机架层：每 72 卡机架只跑 64 卡，留 8 卡当备件
- 机架冗余：在此之外再留约 2% 的机架
两层叠起来的结果是，一个标称 32,768 卡的训练任务，实际要占用 37,656 卡。多出来的 4,888 卡不参与计算，只负责在坏卡出现时立刻顶上去。多出的 4,888 张卡全是保险成本，约占实际占用的 13%。
这笔钱花得值不值，取决于中断的代价。在前一个数字里，优化前的中断峰值是每天 1000 次量级；在这种频率下，没有备件池的训练任务基本跑不完一个完整周期。
功耗波动三成的解法
功耗波动比平均功耗更难处理。Prometheus 的集群功耗波动达到 30% 到 40%，这是训练任务在不同阶段切换负载形态造成的——预训练、微调、强化学习三种活对电力的需求曲线并不一样。
Meta 的解法是软件加硬件两层：用 Dynamo Dimmer 动态调节，再配电池削峰，把波动挡在电网之前。下个集群 Hyperion 落地路易斯安那，这套做法大概率会跟着复制。
放到产业视角看，这类工程能力正在变成算力成本的一部分。本土大模型与芯片产能讨论的是供给端能出多少机器，中兴 AI 一体机与算力营收讨论的是交付形态怎么变，而 Prometheus 这篇给出的第三个变量是：同样一批卡，运维水平不同，实际能拿来训练的算力会差出一截。
个人观点
这篇披露里最反常识的地方是，最贵的不是 GPU。
- 规模：满配 100 万块、千兆瓦级，这是入场门槛，钱能解决
- 可靠性：从每天 1000 次降到两位数，降幅 99%，这是工程能力，钱解决不了
- 冗余：13% 的算力在做备份，这是主动选择的成本，不是浪费
如果只记一个数字，记 13%。它说明一件很朴素的事：超大规模集群的有效算力，永远小于采购清单上的算力总和。评估一个集群时把冗余扣掉再比较，得到的结论会和看宣传数字完全不一样。
更新时间：2026-10-21