HAMi v2.8重磅发布详解：标准化与生态多样性的双重演进

title: “HAMi v2.8 重磅发布详解：标准化与生态完整性的双重演进”coverTitle: “HAMi v2.8 重磅发布详解：标准化与生态完整性的双重演进”excerpt: “HAMi v2.8 深度解析：新增 Kubernetes DRA 支持、Leader 选举机制、CDI 模式支持，异构 GPU 生态扩展（天数智芯、沐曦 GPU、华为昇腾），上下游生态集成（Kueue、vLLM

guaguaRethink

690人浏览 · 2026-02-05 11:30:22

guaguaRethink · 2026-02-05 11:30:22 发布

根深叶茂，生生不息。

向 Kubernetes 1.35 的 Timbernetes 致意：彼处以世界树年轮为喻，见证一圈圈成长的印记；此处，我们以根与枝为喻。

根，是标准化带来的稳固基础：接口统一，深扎土壤；
枝，是异构生态的繁茂枝叶：多样之芯，向上生长。

自 v2.7 发布以来，HAMi 在标准化能力与异构 GPU 生态建设方面持续演进。当 DRA 的标准化之根遇上异构 GPU 的生态之枝，HAMi 正从单一调度器项目发展为完整的异构算力调度生态体系——根深方能叶茂，本固始得枝荣。

自 v2.7 到 v2.8：标准化与生态完整性的双重演进

自 HAMi v2.7 发布以来，项目在 架构完整性、调度可靠性以及生态对齐 层面取得重要进展。v2.8 在 Kubernetes 原生标准对齐、异构设备支持、生产可用性与可观测性等方面进行了系统性增强，使 HAMi 更加适合在长期运行、对稳定性和演进路径敏感的 AI 生产集群中使用。

HAMi v2.8 关键词云

本文将梳理 v2.8 版本的主要特性进展，以及 HAMi 社区在异构算力调度生态建设方面的探索与实践。

v2.8 版本进展概览

标准化能力建设：新增对 Kubernetes DRA（Dynamic Resource Allocation） 的支持，提供独立实现项目 HAMi-DRA，推动 HAMi 从"自定义设备调度逻辑"向 Kubernetes 原生标准接口 演进。
异构 GPU 生态扩展：天数智芯、沐曦 GPU、华为昇腾等国产芯片支持更新与增强，vLLM 兼容性问题修复，Kueue 集成完善。
高可用与可靠性提升：引入 Leader 选举机制 支持 Scheduler 高可用部署；新增 CDI 模式支持 提升设备管理标准化；对齐 NVIDIA k8s-device-plugin v0.18.0 保持生态兼容。
HAMi 生态体系成型：HAMi 从单一 repo 发展为包含 HAMi-DRA、mock-device-plugin、ascend-device-plugin、HAMi-WebUI 等子项目的完整生态体系。

HAMi 生态全景图

HAMi 已从一个单一调度器项目发展为一个完整的开源生态组织。以下是 HAMi 开源生态的项目结构图：

DRA 的请求流程图

核心特性展开

DRA（Dynamic Resource Allocation）- 迈向 Kubernetes 原生标准

DRA 是 Kubernetes 社区正在推进的下一代设备资源声明与分配机制，旨在为 GPU/AI 加速器等设备提供 更标准化、可组合、可扩展 的资源管理模型。

为什么 DRA 重要

传统的 Kubernetes 设备管理存在以下局限：

资源声明不灵活：设备资源通过 limits[nvidia.com/gpu] 硬编码声明，无法表达复杂的资源需求（如显存、算力分离）
调度逻辑分散：每个设备插件需要实现自己的调度逻辑，难以统一管理
资源组合困难：无法表达"需要特定拓扑的多个 GPU"等复杂需求

DRA 通过引入 ResourceClaim 和 DeviceClass 等新 API，将设备资源的声明、分配和管理标准化，使设备资源管理更加灵活和可扩展。

HAMi-DRA 架构设计

HAMi-DRA 是 HAMi 社区提供的 DRA 独立实现项目，采用 Mutating Webhook 架构，自动将传统 GPU 资源请求转换为 DRA ResourceClaim。

下图展示的是 DRA 的请求流程。

DRA 的请求流程图

HAMi-DRA 核心特性

自动资源转换：自动将 nvidia.com/gpu、nvidia.com/gpumem、nvidia.com/gpucores 等资源请求转换为 DRA ResourceClaim
设备选择支持：通过 Pod Annotation 支持按 UUID、设备类型等选择特定设备
指标监控：可选的 Monitor 组件，通过 Prometheus 暴露 GPU 资源使用指标
CDI 支持：与 Container Device Interface 集成，提供标准化的设备注入方式

DRA 使用示例

前提条件：

Kubernetes 版本 >= 1.34
启用 DRA Consumable Capacity feature gate
容器运行时（containerd 或 CRI-O）启用 CDI 支持
安装 cert-manager

安装 HAMi-DRA：

# 使用 GPU Operator 提供的 containerd 驱动
helm install hami-dra ./charts/hami-dra

# 不使用 GPU Operator 的驱动
helm install hami-dra ./charts/hami-dra \--set drivers.nvidia.containerDriver=false

配置设备资源：

编辑 charts/hami-dra/values.yaml：

resourceName: "nvidia.com/gpu"
resourceMem: "nvidia.com/gpumem"
resourceCores: "nvidia.com/gpucores"

使用 DRA 提交 Pod：

apiVersion: v1
kind: Pod
metadata:
  name: gpu-pod
spec:
  containers:
  - name: gpu-container
    image: nvidia/cuda:11.8.0-base-ubuntu22.04
    command: ["nvidia-smi"]
    resources:
      limits:
        nvidia.com/gpu: 2
        nvidia.com/gpumem: 4096
        nvidia.com/gpucores: 80

HAMi-DRA Webhook 会自动将上述 Pod 转换为使用 DRA ResourceClaim 的形式。

查看 ResourceClaim：

kubectl get resourceclaim
kubectl describe resourceclaim <claim-name>

Monitor 指标访问：

monitor:
  enabled: true
  service:
    type: NodePort
    nodePort:
      metrics: 31995

# 访问指标
curl http://<node-ip>:31995/metrics

DRA 与传统模式对比

关于 DRA 的深度技术解读：DRA 的设计理念、实现细节及与现有模式的对比，将在后续单独的技术文章中展开。

Leader 选举机制 - Scheduler 高可用能力

在大规模集群或高可用部署场景下，HAMi v2.8.0 引入了 多 Scheduler 实例的 Leader 选举机制，通过 Kubernetes 的 Lease 机制实现 Leader 选举，确保同一时刻只有一个 Scheduler 实例处于 Active 状态进行调度决策。

Leader 选举架构图如下所示：

Leader 选举架构图

核心优势：

避免调度冲突：多 Scheduler 实例并发调度可能导致资源冲突，Leader 选举确保只有一个实例进行调度
故障自动切换：Leader 实例故障时，Standby 实例自动接管，提升系统可用性
平滑升级：滚动升级 Scheduler 时，新 Pod 自动成为 Leader，无需人工干预

使用方式：

Helm Chart 默认启用 Leader 选举，可通过 values.yaml 配置：

scheduler:
  replicaCount: 3  # 部署 3 个 Scheduler 实例
  leaderElection:
    enabled: true
    leaseDuration: 15s
    renewDeadline: 10s
    retryPeriod: 2s

CDI（Container Device Interface）模式支持

HAMi v2.8.0 新增对 NVIDIA CDI 模式 的支持，CDI 是 CNCF TAG 维护的容器设备接口标准，提供更标准化的设备注入方式。

CDI vs 传统环境变量模式对比：

配置方式：

编辑 values.yaml：

global:
  deviceListStrategy: cdi-annotations  # 或 envvar

CDI 模式下的设备注入：

# Pod Spec 示例
spec:
  containers:
  - name: gpu-container
    image: nvidia/cuda:11.8.0-base-ubuntu22.04
    resources:
      limits:
        nvidia.com/gpu: 1
    # CDI 模式下，设备通过 CDI 注入，无需环境变量

对齐 NVIDIA k8s-device-plugin v0.18.0

HAMi v2.8.0 同步升级并对齐 NVIDIA 官方 k8s-device-plugin v0.18.0，确保与 NVIDIA 最新设备管理模型的兼容性。

对齐的核心价值：

保持兼容性：支持 NVIDIA 最新 GPU 硬件和驱动特性
降低适配成本：用户可以在现有 NVIDIA GPU 生态中平滑引入 HAMi
生态协同：HAMi 作为设备管理的"增强层"，而非"分叉实现"

同步的主要特性：

支持 NVIDIA GPU Driver 最新版本
兼容 MIG（Multi-Instance GPU）最新特性
支持新的设备监控指标和健康检查机制

Mock Device Plugin - 开发测试利器

HAMi v2.8.0 新增 Mock Device Plugin 能力，为开发者和 CI/测试环境提供更低门槛的设备模拟方式。

Mock Device Plugin 工作流程如下图所示：

Mock Device Plugin 工作流程图

核心功能：

虚拟设备注册：将虚拟设备（如 gpu-memory、gpu-cores）注册到节点，使其在 node.status.allocatable 和 node.status.capacity 中可见
资源类型支持：
- NVIDIA GPU：nvidia.com/gpumem、nvidia.com/gpumem-percentage、nvidia.com/gpucores
- Hygon DCU：hygon.com/dcumem
- Ascend：huawei.com/Ascend{chip-name}-memory
开发测试便利：无需真实 GPU 硬件即可进行功能验证和开发调试

部署方式：

# 部署 RBAC
kubectl apply -f k8s-mock-rbac.yaml

# 部署 ConfigMap（如未部署）
kubectl apply -f device-configmap.yaml

# 部署 Mock Device Plugin
kubectl apply -f k8s-mock-plugin.yaml

节点资源效果示例：

Allocatable:
  memory:                    769189866507
  nvidia.com/gpu:            20
  nvidia.com/gpucores:       200
  nvidia.com/gpumem:         65536
  nvidia.com/gpumem-percentage: 200
  pods:                      110

注意事项：

如果显存统计值过大（如超过 120GB），会显示为 0。此时可调整 hami-scheduler-device ConfigMap 中的 memoryFactor 参数（默认值为 1）

构建信息与 Metrics 体系更新

HAMi v2.8.0 在可观测性方面进行了系统性增强：

新增指标：

hami_build_info：包含版本号、构建时间、Git 提交等信息
启动时输出完整版本信息

移除的废弃指标：

vGPUPodsDeviceAllocated：请使用 vGPUMemoryAllocated 和 vGPUCoreAllocated 替代
vGPUMemoryPercentage：请使用 vGPUMemoryAllocated 替代
vGPUCorePercentage：请使用 vGPUCoreAllocated 替代

Metrics 示例：

# 新增的构建信息指标
hami_build_info{version="v2.8.0",git_commit="abc123",build_date="2026-01-29"} 1

# GPU 资源分配指标
hami_vgpu_memory_allocated{node="gpu-node-1"} 16384
hami_vgpu_core_allocated{node="gpu-node-1"} 150

启动日志示例：

I0129 10:00:00.000000       1 version.go:42] HAMi Scheduler Version: v2.8.0
I0129 10:00:00.000001       1 version.go:43] Git Commit: abc123def
I0129 10:00:00.000002       1 version.go:44] Build Date: 2026-01-29T10:00:00Z
I0129 10:00:00.000003       1 version.go:45] Go Version: go1.25.5

异构 GPU 生态建设进展

HAMi 持续扩展对国产 GPU/AI 芯片的支持，v2.8 版本在以下方向取得进展：

HAMi 支持的异构 GPU 生态全景图

天数智芯支持更新

HAMi v2.8 对天数智芯（Iluvatar）GPU 的支持进行了多项增强：

相关 PR：

PR #1547：天数芯片支持更新
PR #1399：vXPU 特性优化

核心改进：

多卡调度优化：修复 P800 节片上 vXPU 特性的潜在问题（PR #1569）
调度失败事件优化：增强调度器事件输出，便于排查天数芯片调度问题（PR #1444）
设备信息增强：在 DeviceUsage 中添加 podInfos，提升调度决策质量（PR #1362）

天数智芯配置示例：

apiVersion: v1
kind: Pod
metadata:
  name: iluvatar-gpu-pod
spec:
  containers:
  - name: gpu-container
    image: iluvatar-gpu-app:latest
    resources:
      limits:
        iluvatar.ai/vgpu: 1
        iluvatar.ai/vgpu-memory: 4096

沐曦 GPU 支持更新

HAMi v2.8 对沐曦（MetaX）GPU 的支持持续增强：

相关 PR：

PR #1436：沐曦新特性支持
PR #1444：沐曦调度失败事件优化

核心能力：

sGPU 算力/显存共享：支持虚拟 GPU 共享，提升资源利用率
三种 QoS 模式：BestEffort、FixedShare、BurstShare
拓扑感知调度：基于 MetaXLink 的智能调度
WebUI 全面支持：异构指标可视化展示

沐曦配置示例（QoS）：

apiVersion: v1
kind: Pod
metadata:
  name: metax-gpu-pod
  annotations:
    metax-tech.com/sgpu-qos-policy: "fixed-share"  # best-effort / fixed-share / burst-share
spec:
  containers:
  - name: gpu-container
    image: metax-gpu-app:latest
    resources:
      limits:
        metax-tech.com/sgpu: 1
        metax-tech.com/vcore: 60      # 60% 算力
        metax-tech.com/vmemory: 4     # 4GiB 显存

华为昇腾 vNPU 支持

HAMi 社区的 ascend-device-plugin 项目现已支持 vNPU（虚拟 NPU）特性，同时支持 HAMi 和 Volcano 调度器。

核心特性：

vNPU 虚拟化：支持华为昇腾 910 系列芯片的虚拟切分
双调度器支持：同时兼容 HAMi 和 Volcano 调度器
显存隔离：精确控制每个 vNPU 的显存使用

昇腾配置示例：

apiVersion: v1
kind: Pod
metadata:
  name: ascend-npu-pod
spec:
  containers:
  - name: npu-container
    image: ascend-npu-app:latest
    resources:
      limits:
        huawei.com/Ascend910: 1
        huawei.com/Ascend910-memory: 8192

上下游生态集成进展

HAMi 持续与 Kubernetes AI 生态中的关键组件进行协同演进，v2.8 在以下方向取得进展：

Kueue 集成增强

Kueue 是 Kubernetes SIG Scheduling 维护的批量作业队列管理项目，HAMi 社区向 Kueue 贡献了增强能力，使其原生支持 HAMi 的设备资源管理与调度模型。

Kueue + HAMi 集成架构如下图所示：

Kueue + HAMi 集成架构图

Kueue 集成配置示例：

1. 启用 Kueue Deployment 支持：

kubectl edit configmap kueue-manager-config -n kueue-system

apiVersion: config.kueue.x-k8s.io/v1beta2
kind: Configuration
integrations:
  frameworks:
    - "deployment"
    - "pod"

2. 配置 ResourceTransformation：

apiVersion: config.kueue.x-k8s.io/v1beta2
kind: Configuration
integrations:
  frameworks:
    - "deployment"
    - "pod"
resources:
  transformations:
  - input: nvidia.com/gpucores
    strategy: Replace
    multiplyBy: nvidia.com/gpu
    outputs:
      nvidia.com/total-gpucores: "1"
  - input: nvidia.com/gpumem
    strategy: Replace
    multiplyBy: nvidia.com/gpu
    outputs:
      nvidia.com/total-gpumem: "1"

3. 创建 ResourceFlavor：

apiVersion: kueue.x-k8s.io/v1beta2
kind: ResourceFlavor
metadata:
  name: hami-flavor
spec:
  nodeLabels:
    gpu: "on"

4. 创建 ClusterQueue：

apiVersion: kueue.x-k8s.io/v1beta2
kind: ClusterQueue
metadata:
  name: hami-queue
spec:
  resourceGroups:
    - coveredResources: ["nvidia.com/gpu", "nvidia.com/total-gpucores", "nvidia.com/total-gpumem"]
      flavors:
        - name: hami-flavor
          resources:
            - name: "nvidia.com/gpu"
              nominalQuota: 80
            - name: "nvidia.com/total-gpucores"
              nominalQuota: 200
            - name: "nvidia.com/total-gpumem"
              nominalQuota: 10240

5. 创建 LocalQueue：

apiVersion: kueue.x-k8s.io/v1beta2
kind: LocalQueue
metadata:
  name: hami-local-queue
  namespace: default
spec:
  clusterQueue: hami-queue

6. 提交使用 vGPU 的 Deployment：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: vgpu-deployment
  labels:
    app: vgpu-app
    kueue.x-k8s.io/queue-name: hami-local-queue
spec:
  replicas: 2
  selector:
    matchLabels:
      app: vgpu-app
  template:
    metadata:
      labels:
        app: vgpu-app
    spec:
      containers:
        - name: vgpu-container
          image: nvidia/cuda:11.8.0-base-ubuntu22.04
          command: ["sleep", "infinity"]
          resources:
            limits:
              nvidia.com/gpu: 1
              nvidia.com/gpucores: 50
              nvidia.com/gpumem: 1024

资源转换说明：

Kueue 的 ResourceTransformation 会自动转换 HAMi vGPU 资源请求：

nvidia.com/gpu × nvidia.com/gpucores → nvidia.com/total-gpucores
nvidia.com/gpu × nvidia.com/gpumem → nvidia.com/total-gpumem

例如：

2 个副本的 Deployment，每个请求 nvidia.com/gpu: 1、nvidia.com/gpucores: 50、nvidia.com/gpumem: 1024
实际消耗：nvidia.com/total-gpucores: 100（2 × 1 × 50）和 nvidia.com/total-gpumem: 2048（2 × 1 × 1024）

vLLM 兼容性修复

vLLM 是流行的 LLM 推理框架，HAMi v2.8 修复了多项 vLLM 相关的兼容性问题。

修复的问题：

多卡场景崩溃：修复使用 vLLM 时多卡会 crash 的问题（Issue #1461）
CUDA_VISIBLE_DEVICES 兼容：修复手动指定设备时初始化失败的问题（Issue #1381）

vLLM 使用 HAMi 示例：

apiVersion: v1
kind: Pod
metadata:
  name: vllm-pod
spec:
  containers:
  - name: vllm
    image: vllm/vllm-openai:latest
    command: ["vllm", "serve", "--model", "meta-llama/Llama-2-7b-hf"]
    resources:
      limits:
        nvidia.com/gpu: 2
        nvidia.com/gpucores: 80
        nvidia.com/gpumem: 16384
    env:
    - name: CUDA_VISIBLE_DEVICES
      value: "0,1"

关键问题修复与稳定性提升

v2.8 版本集中修复了一批来自真实生产环境的问题，提升了系统稳定性。

核心修复：

GPU / MIG 实例分配错误（PR #1518）
- 修复调度器错误分配 MIG 实例的问题
并发 map 读写崩溃
- 修复并发场景下的 map 迭代和写入致命错误（PR #1452, PR #1476）
配额（quota）计算错误（PR #1400）
- 修复 ResourceQuota 计算错误
设备插件卸载残留（PR #1456）
- 修复设备插件卸载后节点仍有残留状态的问题
vLLM 相关调度问题（PR #1478）
- 修复 vLLM 相关的调度和资源计算问题
多种异构设备边界异常
- 修复 kunlunxin vXPU 在分配多卡时会错误 pending 的问题（PR #1569）
- 修复沐曦 P800 节片上 vXPU 特性问题
调度失败事件优化（PR #1444）
- 优化调度失败事件输出，提升故障排查效率

版本优化与工程改进

节点注册逻辑优化（PR #1499）

重构节点注册逻辑，提升节点管理的稳定性和可维护性。

Golang 升级至 v1.25.5

HAMi v2.8 将 Golang 版本升级至 v1.25.5，获得最新的语言特性和安全修复。

证书热更新支持

HAMi 现在支持 监听并热加载证书变更，避免因证书更新导致的组件重启或服务中断问题。

配置方式：

scheduler:
  certWatchEnabled: true
  certDir: /etc/hami/certs

项目瘦身

删除了多个项目初期的二进制文件，REPO 大小从 132M 缩小到 20M，提升克隆和构建速度。

社区动态

HAMi 社区持续活跃，在 v2.8 开发期间，社区在以下方面取得进展：

CNCF 用户案例发布

DaoCloud 使用 HAMi 构建 GPU 云 的用户案例已发布在 CNCF 官网：

https://www.cncf.io/case-studies/daocloud/

DaoCloud 基于 HAMi 构建了 GPU 云平台，实现异构算力的池化与调度，显著提升资源利用率。

HAMi Meetup 社区活动

HAMi 社区以 “不卷算力卷效率” 为主题，开展了两次线下 Meetup 活动，汇集了来自云厂商、互联网公司、AI 企业的近百位技术专家，分享 HAMi 在异构算力调度领域的实践与经验。

第一届 HAMi Meetup 上海站（2025 年 11 月 30 日）

第一届 HAMi Meetup 上海站

主题：云原生 AI 基础设施与异构算力调度实践

Linux 基金会副总裁、CNCF 亚太区中国主席 Keith Chan 在开场演讲中指出：GPU 成本高、资源利用率不足已成为全球共性问题，70%–80% 的推理与训练工作负载已运行在 Kubernetes 上，超过 80% 的企业认为"开源是 AI 成熟的关键驱动力"。

技术分享：来自沐曦（郭磊）、蔚来（李鹏）、DaoCloud（卢传佳）、星环科技（侯雨希）等企业的技术专家，分享了 HAMi 在 MetaX sGPU、vGPU 性能优化、GPU 虚拟化实践、国产算力适配等方面的经验。李孟轩（HAMi 核心 Maintainer，密瓜智能联合创始人兼 CTO）介绍了从 2.7.0 到 2.8.0 的版本演进与 DRA 规划。

第二届 HAMi Meetup 北京站（2025 年 12 月 27 日）

第二届 HAMi Meetup 北京站

主题：国产算力的生产实践与异构调度工程落地

Keith Chan 再次强调：AI 的发展正在从模型本身转向对底层基础设施与资源效率的考验，如何通过云原生与开源技术构建更弹性的 AI 基础设施，是整个行业面临的共同课题。

技术分享：来自海光信息（王忠勤）、贝壳（王妮）、第四范式（杨守仁、James）、睿思智联（欧阳陆伟）等企业的工程师，分享了 DCU 软件虚拟化、vGPU 推理集群实践（GPU 利用率提升约 3 倍）、HAMi-Core x DRA、国产算力适配等实战经验。李孟轩介绍了 HAMi 新特性与能力矩阵标准化规划。

PPT 资源：

HAMi Meetup 上海站：https://project-hami.io/zh/blog/hami-meetup-shanghai-2025
HAMi Meetup 北京站：https://project-hami.io/zh/blog/hami-meetup-beijing-2025

社区贡献者

HAMi v2.8 的进展，离不开社区中多位贡献者的持续投入与反馈。特别感谢以下社区成员在本阶段的重要贡献：

@archlitchi：核心调度与多项关键修复、版本发布与 CI 稳定性
@luohua13：配额计算、设备生命周期与调度稳定性改进
@Shouren：NVIDIA / MIG 相关修复、安全与工程质量提升
@FouoF：Scheduler 稳定性、测试与 Helm 相关改进
@Kyrie336：调度决策增强与多设备支持
@litaixun：并发安全、节点与设备管理相关修复
@DSFans2014：Ascend 设备与异构场景支持改进

同时也感谢所有通过 Issue、Pull Request、测试反馈等形式参与 HAMi v2.8 阶段开发的社区贡献者。

社区成长

HAMi v2.8 期间，社区在成员角色上也取得了重要进展：

@Shouren （杨守仁）晋升升为 HAMi Maintainer（[issue #33]）。Shouren 在调度健壮性、设备管理、发布流程、安全更新等方面贡献显著，更是 HAMi-DRA 驱动的核心开发者，已审查数百个 Issue 与 PR。
@FouoF（王纪飞）晋升为 HAMi Approver（[issue #31]）。FouoF 在调度器稳定性、HAMi-DRA、测试完善与 Charts 改进等方面持续投入，已成为项目的重要审查者。
@DSFans2014 （James）晋升为 HAMi Reviewer（[issue #29]）。DSFans2014 在 Ascend 设备与异构场景支持方面贡献显著，积极参与代码审查与问题修复。
@Shenhan11 （申涵）晋升为 HAMi Reviewer（[issue #30]）。Shenhan11 在多个功能模块的开发与测试中持续投入，为项目质量提升提供保障。

同时也感谢所有通过 Issue、Pull Request、测试反馈等形式参与 HAMi v2.8 阶段开发的社区贡献者。

未来展望：v2.9 路线图

HAMi v2.9.0 将在以下方向持续演进：

核心特性

调度增强：MPS 集成、资源抢占、PodGroup 支持（Kueue/Volcano）
异构芯片：AMD Mi300X、寒武纪 5x0 系列、燧原 DRX 模式
DRA 扩展：华为昇腾 DRA 适配

Volcano-vGPU

灵活切分：Dynamic MIG、拓扑感知调度
生态集成：CDI 支持、LWS 集成、NVIDIA DP 0.18.0 适配

v2.8 → v2.9 演进路线图如下所示。

v2.8 → v2.9 演进路线图

HAMi 社区欢迎更多开发者、用户和生态伙伴加入，共同推动异构算力调度在云原生体系中的长期演进。在"序"与"调度"的坐标中，绘制更远的开源航图。

感谢所有在 HAMi v2.8 阶段做出贡献的社区成员、用户和生态伙伴。你们的持续投入，是 HAMi 能够不断走向生产可用与生态友好的关键力量。

下载与安装

Helm Chart:

helm repo add hami https://project-hami.io/hami-helm
helm repo update
helm install hami hami/hami --version 2.8.0

源代码：

https://github.com/Project-HAMi/HAMi/releases/tag/v2.8.0

文档：

https://project-hami.io/docs/

人工智能6S服务平台

作为“人工智能6S店”的官方数字引擎，为AI开发者与企业提供一个覆盖软硬件全栈、一站式门户。

更多推荐

Flutter 三方库 simple_sparse_list 的鸿蒙化适配指南 - 数据的隐身魔法、在鸿蒙端实现海量稀疏列表实战

人工智能6S服务平台

Flutter 三方库 gql_error_link 的鸿蒙化适配指南 - 打造坚不可摧的 GraphQL 链路、在鸿蒙端实现标准化错误治理实战

人工智能6S服务平台

Flutter 三方库 keyscope_client 的鸿蒙化适配指南 - 对接高性能搜索服务、在鸿蒙端实现秒级海量数据检索实战

人工智能6S服务平台

所有评论(0)

查看更多评论

guaguaRethink

@guaguaRethink

已为社区贡献2条内容