Anthropic 开源 Glasswing 训练框架，支持 10 万 GPU 级分布式训练

Anthropic 发布 Project Glasswing 初始更新，公开其大规模分布式训练框架的核心设计。该项目旨在解决超大规模集群（10 万+ GPU）下的训练效率与容错问题。

Glasswing 采用去中心化调度架构，将训练图拆分为独立可恢复的“片段”（segments），实现细粒度故障隔离与动态资源重配。其核心创新在于将数据流图与物理拓扑解耦，允许在节点故障时仅重放受影响片段而非全任务，大幅降低恢复开销。

该框架已在 Anthropic 内部生产环境中验证，支撑了其最新模型的训练。Glasswing 的设计思路对自建大规模训练基础设施的团队具有重要参考价值，尤其是在故障恢复与资源利用率方面。