Run Ray on TPU, Part 2: Ray AI libraries
Google Developers Blog1659 字 (约 7 分钟)
85
在TPU上部署Ray AI库需通过topology字段确保多主机模型正确分配资源，避免因跨slice通信失败导致部署停滞。
入选理由：设置topology字段可防止多主机模型跨slice部署，避免集体通信失败
精选文章#TPU#Ray#GKE#AI库#vLLM英文
产品
Ray Serve
Ray的模型服务组件
已跟踪 3 条高相关材料
TraeAI 观察
最近变化
2026-07-25 · 设置topology字段可防止多主机模型跨slice部署，避免集体通信失败
为什么值得关注
Ray Serve 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
GKERayTPUAI加速器AI库
如果只读 3 篇
1
Run Ray on TPU, Part 2: Ray AI libraries
Google Developers Blog · 8.5 分
在TPU上部署Ray AI库需通过topology字段确保多主机模型正确分配资源，避免因跨slice通信失败导致部署停滞。
2
Run Ray on TPU, Part 1: The foundations
Google Developers Blog · 8.5 分
Ray 2.55正式支持TPU加速，通过GKE和Ray Core协作实现TPU资源调度，开发者可复用现有API进行分布式训练。
3
Scaling Ray Serve LLM on GKE: Performance without losing the developer experience
Google Cloud Blog · 8.5 分
Google 与 Anyscale 合作优化 Ray Serve LLM 在 GKE 上的性能，实现吞吐量提升 5 倍、延迟降低 8 倍。
相关材料
已收录 3 条与 Ray Serve 相关的内容，按评分排序。
Run Ray on TPU, Part 1: The foundations
Google Developers Blog1371 字 (约 6 分钟)
85
Ray 2.55正式支持TPU加速，通过GKE和Ray Core协作实现TPU资源调度，开发者可复用现有API进行分布式训练。
入选理由：Ray 2.55版本将TPU纳入官方加速器支持体系，提供预构建镜像和全栈库支持
精选文章#Ray#TPU#GKE#分布式计算#AI加速器英文
Scaling Ray Serve LLM on GKE: Performance without losing the developer experience
Google Cloud Blog675 字 (约 3 分钟)
85
Google 与 Anyscale 合作优化 Ray Serve LLM 在 GKE 上的性能，实现吞吐量提升 5 倍、延迟降低 8 倍。
入选理由：通过 HAProxy 集成，减少代理开销并提升吞吐量。
精选文章#Ray Serve#GKE#LLM#性能优化#Kubernetes英文