Meta reserva ocho GPU de cada dominio NVL72 de 72 para sustituir capacidad si falla un componente; las otras 64 forman el segmento activo de entrenamiento. La reserva se combina con recuperación por réplicas y puntos de control para que un fallo no detenga necesariamente todo el trabajo.
La cobertura anterior de NeoTeo sobre la red y la construcción de Prometheus aporta contexto sobre el clúster de Meta en New Albany, Ohio. La publicación de ingeniería de Meta del 19 de octubre de 2026 detalló sus medidas de fiabilidad.
Qué significa reservar ocho GPU por dominio
Las ocho GPU reservadas representan el 11,1 % de cada dominio NVL72. Son capacidad de repuesto, no GPU averiadas. Meta también mantiene cerca de un 2 % de racks adicionales para fallos poco frecuentes que puedan dejar fuera de servicio un rack entero.
En un ejemplo de dimensionamiento para 32.768 GPU activas, Meta especifica 523 racks NVL72 y 37.656 GPU en total. La cifra de racks ofrece una reserva física para afrontar interrupciones que afecten a más de una GPU.
Meta define una interrupción como un fallo que obliga a pausar y recuperar un trabajo de entrenamiento. Puede deberse a la GPU, la red, el almacenamiento o problemas térmicos, así que no equivale necesariamente a que una GPU haya quedado inutilizada.
Cómo recupera Prometheus los fallos
Cuando el problema queda limitado a una réplica de entrenamiento en paralelo, Meta puede retirar esa réplica mientras las demás continúan trabajando. Después, el segmento afectado se reinicia en hosts de reserva y se sincroniza con el resto.
Si el fallo afecta a una parte más amplia del trabajo, el entrenamiento puede reanudarse desde el último punto de control. Meta dice que guarda de forma asíncrona el estado del modelo, incluidos los gradientes y los datos del optimizador, en almacenamiento multinivel. También describe puntos de control incrementales y almacenamiento provisional en memoria.
La red de interconexión requiere sus propias medidas: Meta contabiliza más de 600.000 conexiones NVLink y dice que usa telemetría continua y pruebas de diagnóstico L11 para detectar enlaces débiles antes de ponerlos en producción.
Qué resultados de fiabilidad comunica Meta
En su publicación del 19 de octubre de 2026, Meta dijo que las interrupciones de Prometheus habían alcanzado un máximo de casi 1.000 al día por cada 8.000 GPU durante la fase inicial, a mediados de 2025. La compañía afirmó que un año de cambios de ingeniería redujo las interrupciones un 99 %.
Meta comunicó un tiempo medio entre interrupciones (MTBI) de unas 47.000 horas-GPU durante ejecuciones de Muse Wonder. Tras cambios posteriores en la flota, informó de más de 54.000 horas-GPU. Su objetivo es llegar a unas 100.000 horas-GPU de MTBI, equivalente a dos interrupciones diarias por cada 8.000 GPU.
La compañía también comunicó un goodput, o rendimiento útil del entrenamiento, superior al 85 % en el preentrenamiento de Muse Wonder y al 90 % en sus ejecuciones de aprendizaje por refuerzo.
La escala y las GPU de Prometheus
En la publicación de octubre de 2026, Meta describió Prometheus como un clúster de cientos de miles de GPU que seguía creciendo hacia una escala de cerca de un millón. Las plataformas desplegadas eran NVIDIA GB200 NVL72 y NVIDIA GB300 NVL72; Meta indicó que NVIDIA Vera Rubin NVL72 formaba parte de una expansión futura.
