微软开源 TauGrid，简化 Kubernetes AI 工作负载管理

微软开源云原生平台 TauGrid，用于在 GPU Kubernetes 集群上管理、调度和监控 AI 工作负载。该平台面向工程与研究团队，提供工作区、队列、计算配置、存储、身份认证和可观测性等功能，研究人员无需掌握 Kubernetes 即可提交任务。TauGrid 覆盖数据准备、分布式训练、微调和推理，采用队列与拓扑感知调度，集成 Kueue、KubeRay、GPU 节点健康监控及可观测性能力，通过一次 Helm 安装部署。用户以 yaml 定义工作负载并用 tau run 提交，作业失败可从检查点恢复。代码主要用 Go 编写，需 Kubernetes 1.30+、kubectl 和 Helm 3.0+。同类方案包括 Kubeflow 和 Nvidia Run:AI。