# Meta 详解 Prometheus 吉瓦级超集群：一期已完成并用于训练 Muse 模型

- 来源：AI HOT · 技巧与观点
- 发布时间：2026-10-19T13:00:10.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/e27nctg2yboz6zg0cncnca098
- 原文：https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/

## 摘要

Meta 的吉瓦级超集群 Prometheus 一期已完成并用于训练 Muse 系列模型，目前拥有数十万 GPU，计划扩展至约 1 million GPUs。Muse Wonder 预训练和 RL 训练的有效吞吐占比分别超过 85% 和 90%，通过一年的工程优化，集群中断次数较峰值减少 99%。

## 推荐理由

Meta 将机架内备用 GPU、并行感知容错与异步检查点结合，为大规模训练提供减少故障停机和重复计算的工程方法。

## 锐评

数十万 GPU 跑 Muse Wonder，预训练有效吞吐能过 85%，这个工程数给得挺硬。集群一旦堆到这种规模，掉卡和重算全是真金白银的浪费。他们把中断减少 99%，MTBI 提到 5.4 万 GPU 小时，RL 吞吐拉到 90%，算力几乎全落在了有效训练上。扩容到 100 万张 GPU 之前，Meta 已经把运维这笔账算明白了，后面想跟他们拼基础模型训练成本的对手会极难受。