微軟開源 Kubernetes AI 工作負載管理平台 TauGrid，整合 Kueue 與 KubeRay 簡化 GPU 排程

據報導，微軟開源了雲端原生平台 TauGrid，用於在搭載 GPU 的 Kubernetes 叢集上管理、排程與監控 AI 工作負載。該平台整合了 Kueue（工作負載排隊與資源管理）、KubeRay（編排）、GPU 節點健康監控與可觀測性功能，可透過單次 Helm 安裝完成部署，取代過去需手動拼湊多個開源專案與維運腳本的繁瑣流程。 在操作介面上，使用者可透過 `tau.yaml` 設定檔定義工作負載並以 `tau run` 終端機指令提交。系統會自動驗證配置並建立 Kubernetes Job 或 KubeRay RayJob，交由 Kueue 依配額與優先級排隊；執行期間會追蹤狀態與日誌，並支援從檢查點（checkpoint）恢復失敗的作業。 TauGrid 核心以 Go 語言編寫，運行環境需具備 GPU 節點的 Kubernetes 1.30+ 叢集及 Helm 3.0+。目前專案仍在開發中，官方路線圖顯示未來將支援多租戶工作區、RBAC、PyTorch DDP/FSDP、DeepSpeed 及 LoRA/QLoRA 工作流，並計畫擴展至多叢集與多雲執行環境。