训练集群的 Checkpoint 与数据读加速

checkpoint 气泡有多贵

大模型训练需要高频 checkpoint 防止故障回退损失；每份 65.6GB 的整模型快照（8 卡 32B LoRA 场景）写 NFS/慢存储要三分钟，训练全程停等。按天级训练任务累计，气泡时间相当可观。

R1 实测：FX100 下同一快照 178s → 94s（1.9×），持续写带宽 3.26 → 6.40 GB/s（+96%）。R9 在昇腾平台测得 Qwen-7B 权重/checkpoint 存取与 YOLOv8/COCO 数据读全面加速（vs NFS）。

训练+推理一体的存储规划

很多集群白天推理、夜间训练（或混部）。FX 阵列同时承接三类负载：KV 分层（推理）、权重/checkpoint（训练）、模型分发（切换），一层投资三处收益——这也是算力中心建设方案（dc1k_plan）中三级存储设计的依据。