行业案例

客户背景

现有容器平台仅管理传统业务，GPU 资源无法跨集群统一调度，且面临监控/存储/日志重复建设的浪费。

客户痛点

• 01 GPU 多集群无法统一调度
• 02 国产卡需要更精细的切分调度能力
• 03 监控/存储/日志重复建设

解决方案

采用管控与 GPU 计算分离架构，基于 Rise CAMP 在多套国产与英伟达集群上对接现有容器平台，复用 LDAP、镜像仓库、存储与监控，并实现国产卡动态切分调度。

客户背景

大模型在核心场景落地，传统架构难以支撑多团队并发开发与高频迭代，且算力平台需深度兼容信创生态。

客户痛点

• 01 多团队并发与高频迭代对算力调度提出更高要求
• 02 需深度兼容信创生态
• 03 需要训推一体的全生命周期管理能力
• 04 需要面向特定业务场景的小模型微调能力

解决方案

基于 Rise ModelX 构建全栈信创异构算力底座，依托 Rise VAST 细粒度切分与动态调度提供一键部署的标准化工作空间，内置模型广场与推理服务引擎，并支持业务场景微调。

客户背景

金融 AI 场景算力需求激增，急需自主可控的算力底座。多团队并行的英伟达与国产异构 GPU 形成算力孤岛，整卡直通利用率低下。

客户痛点

• 01 两地三机房资源无法统一纳管
• 02 异构卡调度壁垒形成算力孤岛
• 03 整卡分配难以匹配细粒度切分需求
• 04 业务需零中断平滑迁移

解决方案

基于 Rise CAMP 异构智算底座统一纳管两地三机房，屏蔽底层芯片差异，支持 1% 算力 / 1MiB 显存级细粒度切分，业务零中断平滑迁移。

客户背景

多团队并行作业时，因缺乏 GPU 虚拟化导致异构 GPU 资源利用率低，且缺乏可视化管理与统一开发标准。

客户痛点

• 01 算力需求持续增长，GPU 资源利用率有较大提升空间
• 02 已分配资源缺乏可视化掌控
• 03 GPU 池化与既有应用环境的兼容性需进一步加强
• 04 开发框架与工具需要建立统一标准

解决方案

基于 Rise VAST 整合既有算力，实现 GPU 统一纳管、超分超配与弹性伸缩，建立运维运营体系并标准化开发工具集成。

客户背景

各科室"分机器"独占硬件形成烟囱式孤岛，缺乏统一认证授权与自动弹性伸缩机制，资源利用率极低。

客户痛点

• 01 资源分散在各科室，需要统一纳管与异构调度
• 02 需要建立统一的权限与监测体系，支撑规范化运营
• 03 模型部署依赖手工调整，需要自动化弹性伸缩能力

解决方案

基于 Rise CAMP 在 Kubernetes 上统一纳管多种国产异构资源，提供容器/任务/租户/配额/计量计费、GPU 切分超分、统一调度与全链路可观测能力。

客户背景

超算中心需为考场监测等场景提供精准算力调度，原有 GPU 按物理服务器分配单机负载低，非考试期闲置严重且依赖人工运维。

客户痛点

• 01 整机粒度分配难以充分释放高端卡价值
• 02 非考试期算力大量闲置
• 03 资源调度依赖人工，运维投入较大

解决方案

部署 Rise CAMP 算力调度平台对接考场视频流与 NFS 存储，将 GPU 池化后按任务粒度分配，非考试期闲置算力自动调度至科研业务。

客户背景

纯国产算力下需私有化运行满血版大模型，多部门异构国产硬件极易形成资源割裂。

客户痛点

• 01 纯国产算力支撑满血大模型
• 02 多厂商异构硬件资源割裂
• 03 需要统一的模型服务与微调环境
• 04 需多部门统一计量溯源

解决方案

Rise CAMP 无缝纳管多厂商国产异构算力构建统一算力池，支持算力与显存细粒度切分，统一 API 网关屏蔽底层复杂度并提供标准鉴权接口。

客户背景

集团 MaaS 平台无法按需获取弹性算力，多团队并行的英伟达与国产异构 GPU 整卡直通形成算力孤岛。

客户痛点

• 01 电信 MaaS 平台缺乏统一算力调度
• 02 异构 GPU 算力资源亟需统一纳管
• 03 计量计费与资源监控体系仍待建立

解决方案

通过 Rise CAMP 构建统一异构算力管理平台对接电信 MaaS，底座支持多厂商加速卡异构接入。

客户背景

百度 MaaS 与阿里 MaaS 部署于不同集群，资源池割裂难以共享；管理粒度仅到物理卡，难以构建统一算力平台。

客户痛点

• 01 多厂商 MaaS 资源池相互独立，难以共享
• 02 管理粒度停留在物理卡层面，对小模型场景适配不足
• 03 缺乏动态调度机制，整体资源利用率仍有提升空间

解决方案

基于 Rise VAST 统一纳管两套 MaaS，依托异构池化与虚拟化技术打通跨集群资源调度，提供细粒度、可弹性、可迁移的算力底座。

客户背景

大模型训练节点强依赖，传统调度易致全局等待与算力闲置；长周期训练故障频发，海量路采数据 IO 与存储 TCO 矛盾突出。

客户痛点

• 01 分布式调度死锁，算力闲置
• 02 长周期训练对容错性要求高，故障易导致任务全局中断
• 03 海量数据 IO 与存储 TCO 矛盾

解决方案

基于 Rise CAMP 在 GPU 集群上集成 Volcano 调度框架与自动容错机制，配合全闪/混闪分层存储承接冷热数据，提升训练效率与成本控制。

客户背景

打造航空行业大模型孵化基地，需统一管理多厂商 GPU 并构建可视化智能体平台对接各类开源模型。

客户痛点

• 01 英伟达与国产昇腾算力底层差异显著，异构卡无法统一管控
• 02 小模型开发独占整卡导致算力利用率不充分，需要更细颗粒度的分配机制
• 03 原有平台难以稳定支撑全校师生的高并发访问

解决方案

部署 Rise CAMP 与智能体平台，基于国产卡实现动态比例切分，共享/独享双池统一管理多类开源模型，覆盖科研、教学与数字人场景。

客户背景

科室数据需严格隔离，多厂商业务共享 GPU 但整卡分配不现实，AI 环境准备耗时拉低开发效率。

客户痛点

• 01 整卡分配难以匹配小模型对细粒度算力的需求
• 02 科室数据隔离需求强
• 03 多厂商共享场景下整卡分配难以兼顾
• 04 AI 环境准备耗时，影响开发交付节奏

解决方案

在 GPU 集群上部署 Rise CAMP，提供 GPU 池化切分与多租户隔离，并集成开发工具链加速 AI 业务交付。