| 官方文档 |
NVIDIA GPU Operator、XID 错误、dcgm-exporter、nccl-tests |
GPU 运维的第一手资料 |
| 官方文档 |
Volcano 中文文档、Kueue、KAI-Scheduler、LeaderWorkerSet |
K8s AI 调度 |
| 官方文档 |
GPU Operator time-slicing、GPU Operator MIG、k8s-device-plugin、K8s DRA、NVIDIA DRA 驱动 |
K8s 上的 GPU 共享与分配（阶段 2 重点） |
| 官方文档 |
NCCL 环境变量、Network Operator |
NCCL 调优与 K8s 上的 RDMA 网络 |
| 官方文档 |
vLLM、SGLang、TensorRT-LLM、Triton Inference Server、NVIDIA Dynamo |
推理引擎 |
| 官方教程 |
PyTorch DDP / FSDP；DeepSpeed、Megatron-LM |
分布式训练 |
| NVIDIA DLI |
免费课程 An Even Easier Introduction to CUDA；DLI 目录里的“Free Courses”分类（入口）。注意 Introduction to AI in the Data Center 是付费课（$49） |
GPU 入门 |
| Hugging Face |
LLM Course（免费）、Ultra-Scale Playbook（免费，讲大规模训练并行的最佳读物） |
AI 常识 + 并行原理 |
| 大学课程 |
Stanford CS336 Language Modeling from Scratch（Spring 2026 视频在 YouTube 公开，第 5–8、10 讲讲 GPU、并行、推理，最值得看）；MIT 6.5940 EfficientML（量化、推理优化）；Google How to Scale Your Model |
系统视角理解 LLM |
| GitHub 书 / 仓库 |
stas00/ml-engineering（必读：网络、存储、故障、调试）、chenzomi12/AISystem（ZOMI 的 AI 系统中文课程，配套 B 站视频）、karpathy/nanoGPT、vllm production-stack、llm-d |
实战 |
| Bilibili |
搜索“ZOMI酱 AI系统”“3Blue1Brown 深度学习”“vLLM 源码解读”“NCCL 原理” |
中文视频补充（具体 UP 主频道没有逐一核实，请按关键词搜索） |
| 练习环境 |
Killercoda（免费的临时 K8s 环境，适合快速验证 GPU 调度相关的配置）、Kaggle（每周 30 小时 GPU）、fake-gpu-operator |
零成本动手 |