国产 CPU 环境升级组件前，先查指令集等级lscpu看 flags，用确认支持情况，再决定能不能上高版本；关注 release notes 里的"基础镜像变更"：这类改动往往不写进功能特性里，但最容易在国产 CPU 上引发兼容性灾难（Calico 3.27 换基础镜像就是教训）；版本锁定是生产第一原则：对信创环境，宁可"版本落后"，不要"带病升级"；跑通的版本组合（如本案例 3.25.2）记录进

Slurm 官方文档很全，但更适合查，不适合通读。实际故障大多出在配置交叉点：munge 和 slurmd 的认证关系、slurmdbd 和 slurmctld 的升级顺序、cgroup v1/v2 的挂载差异、gres 命名和变量注入的隐性约定。文档各章节都有，但很少有人会把这几项串在一起排查。目前集群还固守在 23.02.7，升级节奏另行规划。本文基于实际环境整理，部分配置已脱敏；关键参数请以

Volcano：批量调度的事实标准，队列/优先级/Gang/公平调度一站式解决；HAMi：异构虚拟化中间件，一张昇腾卡切成多个细粒度实例，多芯适配（昇腾/海光/寒武纪）贴合信创诉求；两者互补：调度层决策"往哪跑"，设备层解决"怎么共享"，是昇腾 NPU 集群资源池化的成熟路径。多芯异构统一池：同一集群纳管昇腾 + 海光 + NVIDIA，用统一资源名做跨芯调度；任务队列治理：结合公司多租户场景设计

Volcano：批量调度的事实标准，队列/优先级/Gang/公平调度一站式解决；HAMi：异构虚拟化中间件，一张昇腾卡切成多个细粒度实例，多芯适配（昇腾/海光/寒武纪）贴合信创诉求；两者互补：调度层决策"往哪跑"，设备层解决"怎么共享"，是昇腾 NPU 集群资源池化的成熟路径。多芯异构统一池：同一集群纳管昇腾 + 海光 + NVIDIA，用统一资源名做跨芯调度；任务队列治理：结合公司多租户场景设计

大屏先分层再放面板：概览 → 趋势 → 下钻，顺序错了就变"监控壁纸"；异构区块保持同构：GPU 有什么面板，NPU 就有什么面板，vGPU 和 vNPU 也 1:1 对齐——运维只记一套布局；变量联动链是灵魂：Node → NameSpace → Container → Pod → GPU，上级过滤下级，allValue语义别写错；口径比面板重要：显存用、CPU 除以 allocatable、带

在私有化环境中完成 LLM 与多模态（文生视频、文生音频/音乐、语音识别、视觉理解、RAG 组件）模型的推理服务部署，并通过 Nginx 统一 API 网关对外提供服务。由于多模态接口（视频 / 音频 / 语音）需要自建推理服务，本文方案将全部模型服务统一自建、单实例部署，不依赖任何外部模型管理平台。各模型推理框架直接暴露 HTTP API，通过 Nginx 统一网关（Node-6）按路径路由到对

在私有化环境中完成 LLM 与多模态（文生视频、文生音频/音乐、语音识别、视觉理解、RAG 组件）模型的推理服务部署，并通过 Nginx 统一 API 网关对外提供服务。由于多模态接口（视频 / 音频 / 语音）需要自建推理服务，本文方案将全部模型服务统一自建、单实例部署，不依赖任何外部模型管理平台。各模型推理框架直接暴露 HTTP API，通过 Nginx 统一网关（Node-6）按路径路由到对

在私有化环境中完成 LLM 与多模态（文生视频、文生音频/音乐、语音识别、视觉理解、RAG 组件）模型的推理服务部署，并通过 Nginx 统一 API 网关对外提供服务。由于多模态接口（视频 / 音频 / 语音）需要自建推理服务，本文方案将全部模型服务统一自建、单实例部署，不依赖任何外部模型管理平台。各模型推理框架直接暴露 HTTP API，通过 Nginx 统一网关（Node-6）按路径路由到对

在私有化环境中完成 LLM 与多模态（文生视频、文生音频/音乐、语音识别、视觉理解、RAG 组件）模型的推理服务部署，并通过 Nginx 统一 API 网关对外提供服务。由于多模态接口（视频 / 音频 / 语音）需要自建推理服务，本文方案将全部模型服务统一自建、单实例部署，不依赖任何外部模型管理平台。各模型推理框架直接暴露 HTTP API，通过 Nginx 统一网关（Node-6）按路径路由到对