# 无闲置GPU：Runway的研究计算管理

- 来源：Runway：News（网页）
- 作者：Matt Kafonek and Brannon Dorsey, Platform Engineering
- 发布时间：2026-04-27 00:00
- AIHOT 分数：58
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmoi4slfw00f0sle9vq5w8way
- 原文链接：https://runwayml.com/news/no-idle-gpus-managing-research-compute-at-runway

## 精选理由

Runway 把 Kueue + Kubernetes 的 GPU 调度实战写成了保姆级工程笔记，利用率翻倍的方案和踩坑细节都有，做大规模训练集群调度的团队可以直接抄作业。

## AI 摘要

Runway通过采用Kueue作为Kubernetes准入控制器，将GPU利用率提升超过20%，同时保障团队容量。其核心机制是为关键工作预留配额，并设立共享队列借用闲置容量，当配额所有者需要时通过抢占回收资源。该系统运行于昂贵的多租户GPU集群，支持多节点训练的拓扑感知调度和弹性工作负载。具体实现中，团队拥有专用预留队列，而默认队列作为共享机会池，可借用闲置配额运行可中断工作负载。当预留队列需资源时，Kueue基于优先级和运行时间抢占默认队列中的任务，实现资源高效管理。

## 正文

我们通过将 Kueue 作为 Kubernetes 准入控制器使用，将 GPU 利用率提升了超过 20 个百分点，同时仍能保障团队的计算容量：为关键工作预留配额，设置可借用空闲容量的共享队列，并在资源所有者需要时通过抢占机制回收容量。保障容量，杜绝硬件闲置。

Runway 在大型 GPU 计算集群上训练最先进的视频生成模型。多个研究和生产团队在隔离环境中共享这些硬件：有些团队运行持续数周的预训练任务，有些团队提供实时生产推理服务，还有些团队进行短期实验迭代。该集群成本高昂且任务关键，因此调度成为重中之重。

我们需要两个通常相互冲突的目标：

保障容量。关键训练任务和对延迟敏感的服务需要可预测的 GPU 访问能力。

高利用率。闲置的 GPU 意味着预算浪费和研究进度损失。如果一个团队预留了 80 个节点但只使用了 50 个，那 30 个闲置节点每天可能代表数万美元的无效支出。

静态分区可以保障容量但浪费 GPU；完全自由竞争可以最大化利用率但无法提供任何保障。

你真正想要的是一个既能提供保障性预留，又能自动将空闲容量借给共享池，并在所属团队需要时回收的系统。为何选择 Kueue

Kueue 是一个 Kubernetes SIG 项目

kubernetes-sigs/kueue。它遵循 Kubernetes API 规范，作为准入控制器运行，而非替代调度器。这一点很重要：它在现有 Kubernetes 原语之上分层运行，而不是引入自己的调度二进制文件。其功能集涵盖了多租户 GPU 集群所需的一切：组调度、配额管理、抢占、工作负载优先级以及基于队列组的借用机制。

我们考虑过 Volcano 等替代方案，它们拥有更多功能。但 Kueue 凭借其简洁性和集成能力胜出：它与 kube-scheduler 协同工作，而非引入第二个调度器二进制文件。针对我们的使用场景（配额和准入控制，而非自定义放置算法），这个权衡是正确的选择。

Kueue 正在积极开发的两个领域对大规模训练尤为重要：拓扑感知调度（自 v0.14 起为 Beta 功能）。对于多节点训练任务，跨机架/区块/可用区的放置会影响吞吐量。弹性工作负载。在不暂停或重新排队的情况下动态扩缩已接纳任务（仍在完善中）。调度前接纳。

Kueue 位于任务提交和 Pod 创建之间。它决定一个工作负载是否应该启动。Kubernetes 的 kube-scheduler 决定已接纳的 Pod 运行在哪里。

当你提交一个任务时，Kueue 会在 Pod 被创建之前拦截它，并检查集群配额。如果配额可用，Kueue 会接纳该工作负载（将其标记为活跃状态），然后 kube-scheduler 会放置 Pod。如果配额不可用，Kueue 会将其保留在队列中。

当这两种视图一致时，系统运行得非常完美。当它们出现分歧时（而且它们一定会），你就会遇到你职业生涯中最令人困惑的调试过程。预留队列与默认池。

Kueue 的核心抽象是 ClusterQueue：一个带有资源配额以及关于如何使用该配额的规则的命名桶。

以下是我们如何在 Runway 构建队列的：

预留 ClusterQueue 专用于团队或项目。每个队列都有一个

nominalQuota（它拥有的 GPU 数量）。预留队列的 borrowingLimit 为 0：它们不从其他队列借用，但可以回收任何当前正被借用的自身配额。默认 ClusterQueue 是共享的、机会主义的池。它自身有一个较小的 nominalQuota，但可以从预留队列借用未使用的配额。当预留队列空闲或利用率不足时，默认队列会用可中断的工作来填补缺口。

思维模型：一个带有预留许可证的停车场。预留队列就是预留车位：许可证持有者保证有一个车位。默认队列是溢出停车：你可以停在任何一个空的预留车位上，但如果许可证持有者来了，你的车就会被拖走（被抢占），并且你得稍后再回来。

除了预留队列和默认队列，我们还保留了一些特殊用途的队列（例如，本地开发，以便工程师可以在真实的 GPU 上进行迭代，而无需与训练任务竞争；以及用于特征流水线和数据集准备的数据预处理）。出借空闲 GPU。

所有 ClusterQueue 都属于同一个队列组（一组可以共享资源的队列）。在队列组内，Kueue 会追踪每个队列的

名义配额和当前使用量；两者之差即为可借用的资源。示例：三个预留队列加上默认队列。

A 团队预留了 80 块 GPU，但只用了 64 块。B 团队预留了 40 块，但只用了 24 块。C 团队预留了 32 块，但一块都没用。默认队列可以借用这 64 块空闲 GPU，用于运行批量评估、实验和其他可被抢占的工作负载。

从外部看，默认队列的分配量可能很小，但实际的 GPU 使用量却很大。在底层，每一块被借用的 GPU 都归属于某个特定的预留队列，从而实现了资源回收路径。回收资源

当某个预留队列需要默认队列正在借用的容量时：

Kueue 检测到该预留队列的配额不足。

Kueue 会选择默认队列中的工作负载进行抢占（优先选择 Kueue 工作负载优先级最低的；若优先级相同，则选择运行时间最短的）。

Kueue 会挂起被选中的工作负载（终止 Pod）。

一旦释放出足够的配额，Kueue 就会接纳该预留队列的工作负载。

这就是让这套系统运转起来的约定：团队获得保障，因为他们总能收回自己的配额；默认队列获得高利用率，因为它能接受中断。如果你将任务提交到默认队列，你的作业必须能够容忍被抢占。抢占并非瞬间完成

在实践中，从“发起抢占”到“预留作业开始运行”之间可能存在 20 到 30 分钟的间隔，原因包括：Pod 终止宽限期、由 Operator 驱动的拆除流程（例如 Ray）和排空序列，以及当默认队列大量借用资源时可能发生的级联抢占。

我们通过两种方式来缓解这个问题：Kubernetes 级别的抢占：我们给默认队列的工作负载分配一个负的 Pod 优先级类（例如 -500），这样当更高优先级的 Pod 处于待处理状态时，kube-scheduler 会主动驱逐它们。应用级别的容错：频繁的检查点、从检查点重启的逻辑以及优雅关闭处理器。两套优先级系统，两个层面

Kueue 和 Kubernetes 各自拥有一套优先级系统；它们是独立的，控制着工作负载生命周期的不同部分。

系统 控制内容 作用范围 示例

Kueue 工作负载优先级 准入排序以及队列内部/队列之间的 Kueue 级别抢占 Kueue 准入控制器 训练任务（优先级 1000）与常规评估任务（优先级 500）

Pod 优先级类别 kube-scheduler 抢占机制：节点回收的激进程度 kube-scheduler 默认 Pod（-500）会被快速驱逐；预留 Pod（0）则不会

在实践中，我们通常希望：默认队列：低 Pod 优先级（快速被驱逐）和不同的 Kueue 优先级（控制哪些任务存活最久）。预留队列：正常 Pod 优先级（0）和反映内部重要性的 Kueue 优先级（例如大型预训练任务）。当配额与现实脱节时

Kueue 基于配额而非物理节点进行决策。关键不变条件是：已分配的配额不得超过集群容量。

在我们的设置中，两个配置源必须保持同步：

Kueue 预留配置（ClusterQueue 的 nominalQuota）。

节点池配置（物理容量）。

我们通过一个 CI 门禁来强制执行这一点，如果总预留量超过总静态容量，则阻止部署。

当这个不变条件被破坏时，症状会非常令人困惑：Kueue 接纳了一个工作负载（配额显示有空余），但 kube-scheduler 无法放置这些 Pod（实际上没有可用节点）。该工作负载在 Kueue 中显示为“已接纳”，但在 Kubernetes 中显示为“待处理”。抽象层断裂之处：已接纳但处于待处理状态

工作负载被 Kueue 接纳，但 Pod 始终无法调度。常见原因：配额与节点容量不一致。Kueue 未统计的 GPU 消费者（DaemonSet、调试 Pod、系统组件）。节点选择器不匹配（工作负载指向不存在或不可用的节点）。抢占速度缓慢

即使 Kueue 挂起了默认工作负载，拆除延迟也可能延迟预留任务的启动。瓶颈通常在于操作算子和关闭顺序。配额变更不会重新调度正在运行的任务

减少

nominalQuota 不会立即抢占正在运行的工作负载。Kueue 通常避免干扰已接纳的工作负载；协调操作仅在提交新任务需要时才会发生。幽灵接纳

Kueue 可能在配额在纸面上有空余时接纳一个工作负载，但物理资源尚未就绪（记账与节点现实之间存在时间差）。完整的接纳路径

分两遍阅读：正常路径：提交 → Kueue 准入（配额）→ kube-scheduler 调度（节点）→ 运行。争用路径：预留任务到达 → 默认策略是借用 → Kueue 抢占默认任务 → 准入预留任务。

反馈循环是关键：默认任务在借用的时间片内运行，当预留工作负载需要容量时便让出资源。我们学到的经验

准入与调度是清晰的边界划分，但你必须对两个层面都进行调试。大多数运维痛点源于 Kueue 的资源核算与集群物理状态之间的不匹配。能够并排展示两种视图的工具是操作体验方面最大的成功。

默认任务作为借用者的模式行之有效。为关键工作负载设置预留队列，其他一切使用默认队列并自动借用，这样无需人工管理即可保持高利用率。实践中我们的利用率约为行业标准的 2 倍。

对抢占的容忍度是文化问题。推广过程不仅仅是配置变更；它需要检查点机制、重启基础设施，以及明确告知默认任务可能被中断的预期。

保持配置同步，否则将自食其果。配额与容量之间的一致性是我们运行中最重要的约束条件。我们的 CI 门禁防止配置漂移，其避免的事故数量超过其他任何单一检查手段。

在此规模下进行 GPU 调度、分布式训练基础设施和集群编排，处于系统工程与机器学习的交叉领域。如果这些问题让你感兴趣，欢迎加入我们。这里有大量激动人心的工作等待完成。

产品 探索 示例 角色 GWM-1 通用世界模型 机器人 SDK Gen-4.5 Aleph Act-Two API

倡议 AI 峰会 2026 ↗ 工作室 AI 嘉年华 ↗ Gen:48 学院 ↗ 资源 创意合作伙伴计划 Runway Builders

公司 我们的研究 出版物 职业 关于我们 客户故事 新闻 人才网络 ↗ 安全

开始使用 面向企业 面向教育 登录 定价 帮助中心 ↗ 数据安全 更新日志

联系 媒体 合作伙伴关系 品牌指南 聚会 ↗ Twitter ↗ Instagram ↗ YouTube ↗ Discord ↗