Meta 百万卡集群，真正的看点是一组可靠性数字

当集群大到吉瓦级，一台主机出问题就可能拖慢整个训练任务。Meta 在俄亥俄州建的 Prometheus 超级集群，最值得看的不是它堆了多少张 GPU，而是一组冷冰冰的可靠性数字：85%、90%、4.7 万小时。看懂这三个数，才能看懂这轮算力竞赛的下半场。卡可以花钱买，但让百万张卡一起稳定干活，是另一门手艺。

一、发生了什么

10 月 19 日，Meta 工程团队发文，披露位于俄亥俄州新奥尔巴尼的 Prometheus 超级集群进展。第一阶段已经完成，训练出了 Muse 基础模型家族，包括 Muse Wonder。整个站点的目标是扩到约 100 万块 GPU。

据 Meta 披露，Muse Wonder 预训练的有效吞吐（goodput）超过 85%，强化学习阶段超过 90%。goodput 指的是集群时间里真正产生有效训练进度的比例，其余时间被崩溃、重启、卡顿吃掉。另一个数字是平均中断间隔（MTBI），训练期间约 4.7 万 GPU 小时，固件修复后提高到 5.4 万 GPU 小时以上。Meta 称，训练中断事件比最严重时期下降了约 99%。

这组数字背后是一整套可靠性工程：任务、固件、调度、故障恢复都得抠。规模越大，抠这些细节的收益越明显，反过来，忽视它们，代价也越贵。

二、跟你有什么关系

对跑训练的人：规模越大，芯片越难用满，可靠性工程比单纯加卡更值钱。Meta 一个需要 32768 张卡实际工作的任务，实际配置了 37656 张，多出近 15% 做冗余。这多出来的卡，就是为故障买保险。

对做基础设施的团队：goodput 和 MTBI 这两个指标，应该进你们的日常监控，而不是只看 GPU 温度这种表层数据。真正的账，藏在有效训练时间里。

对做模型评测的人：看到「85% 的有效吞吐」，要分清它衡量的是训练效率，不是模型质量。两个词，别在报告里混用。

对投资人：判断一家 AI 公司别只看它买了多少卡，要看它报不报得出有效吞吐和故障间隔。报不出的，可能连集群都没跑顺。

对关注行业的人：算力军备竞赛的下半场，比的是谁能把百万块 GPU 拧成一台能稳定工作的机器，而不是谁买得多。买卡是上半场，用卡是下半场。

三、怎么判断

1. 看 goodput，别看卡数。有效吞吐才是真产出，账面卡数不等于可用算力。就像开了 100 台工位，真正出活的可能只有 85 台。
2. 看 MTBI。故障间隔越长，训练越连续，这个指标比峰值浮点更有参考价值。一次崩溃浪费的时间，可能吃掉一堆峰值性能的账。
3. 看冗余设计。每台主机、每个故障域里留多少备用卡，决定了集群能不能扛住故障。冗余不是浪费，是把「单点故障」摊薄成「可恢复」。

四、三个别信的说法

goodput 高就等于模型强。 错。goodput 衡量的是有效训练时间占比，跟模型最终能力是两回事。训练跑得顺，不等于训出来的东西聪明。

堆越多 GPU 就越强。 错。大规模同步训练会把单点故障放大，冗余、调度、固件验证才是关键。卡多到一定程度，管理成本比卡本身更贵。

100 万卡已经建成。 错。据 Meta 口径，第一阶段完成、正在向百万卡目标扩容，不是已经到位。目标和现状之间，还有一段距离，中间还会不断出新的可靠性问题。

五、一句话结论

规模竞赛下半场，比的是可靠性，不是卡数。

信息来源

Meta Prometheus: Inside the Gigawatt Supercluster 2026-10-19

Meta Prometheus Supercluster: Inside the Ohio AI Cluster 2026-10-19

功能与价格以官方公告为准。本文写于 2026 年 10 月 21 日。