HAMi 2.10 发布解读：Flexible MIG、AMD vGPU 与调度生态全面升级

近日，CNCF 孵化项目 HAMi 正式发布 v2.10.0。这个版本围绕三条主线展开：调度更灵活（动态 Flexible MIG、可组合调度策略链、成组调度）、加速器版图更广（AMD Instinct **MI 系列、壁仞、更完善的昇腾管理）、生态扩大**（KAI Scheduler + HAMi-core 集成、Volcano vNPU）。

本文梳理 v2.10.0 的重要特性，并给出可直接上手的配置示例。

亮点速览

调度更灵活：Flexible MIG 基于 NVML 按工作负载动态创建与回收 MIG 实例，无需排空节点；mutex 互斥策略与可组合策略链（如 mutex,binpack,numa）覆盖独占、紧凑与 NUMA 亲和的组合诉求；NUMA 排序缺陷修复让 binpack 与 spread 在多 NUMA 拓扑下符合预期。此外，PodGroup 成员绑定不再互相挤垮，init-container 资源记账对齐 Kubernetes 标准语义。

加速器版图扩张：AMD Instinct MI300X 获得软件 vGPU 支持，显存与算力双重隔离；壁仞加速器支持整卡与 SVI 分区两种模式；昇腾集群可在同一集群内混布 vNPU 硬切分与 HAMi-core 软切分节点，软切分资源新增容器级 Prometheus 监控。

生态集成：全新伴生项目 KAI Resource Isolator 把 HAMi-core 的运行时硬隔离能力接入 KAI Scheduler；Volcano 可直接调度昇腾软切分资源，让批量调度语义与容器级隔离协同工作。

工程改进：DRA 组件独立成 chart，主 chart 更精简；面向昇腾 NPU 的 Ascend-DRA 支持也即将推出，将随 HAMi-DRA chart 独立发布；编译链路迁移到 ubi8 镜像，同一份构建产物可运行在更多目标发行版上。

调度：更灵活、更可组合

Flexible MIG：彻底告别 mig-parted 的动态 MIG

这可能是 v2.10.0 调度侧最值得关注的变化，由 @FouoF 主导实现（HAMi #2378）。

NVIDIA MIG（Multi-Instance GPU）是 A100 及更新架构上的硬件级隔离方案，但它“怎么切”一直是个麻烦事：

新实现：用 NVML 完整接管 MIG 生命周期

新实现不再依赖 mig-parted，通过 NVML 直接控制 MIG 实例信息的获取、上报、创建和回收。调度器不仅决定“切多大”，还决定“切在哪里”（placement），MIG 实例的完整生命周期如下：

实现围绕一组 NVML 原生 API 展开：

• 发现与放置规划：GetGpuInstanceProfileInfo（查询 Profile 的显存与 SM 能力）、GetGpuInstancePossiblePlacements（查询可放置位置）

• 创建与回收：CreateGpuInstanceWithPlacement（在调度器指定位置创建 GI）、CreateComputeInstance；GetGpuInstanceById / GpuInstance.Destroy() 等负责查找与销毁

• 状态恢复：GI/CI 状态通过 Pod 注解记录，GetGpuInstances 让 device-plugin 重启后寻找已有 GI、对账校验、清理空闲 GPU 上的残留实例

• 安全护栏：Device.GetComputeRunningProcesses 检查设备上是否还有计算进程，避免重置有活跃负载的 GPU

另外，节点上报的 annotation 做了字段裁剪，避免超长注解。

配置示例

为 MIG 节点开启 mig 模式（hami-device-plugin 的 ConfigMap）：

{
  "nodeconfig": [
    {
      "name": "MIG-NODE-A",
      "operatingmode": "mig",
      "filterdevices": { "uuid": [], "index": [] }
    }
  ]
}

可选：通过 knownMigGeometries 约束“这张卡允许被切成什么”：

nvidia:
  knownMigGeometries:
    - models: ["A100-SXM4-40GB", "A100-40GB-PCIe", "A100-PCIE-40GB"]
      allowedGeometries:
        - name: 1g.5gb
          memory: 5120
          count: 7
        - name: 3g.20gb
          memory: 20480
          count: 2
        - name: 7g.40gb
          memory: 40960
          count: 1

然后用与其他 HAMi 负载完全一致的 API 提交任务，不需要学新的资源名：

apiVersion: v1
kind: Pod
metadata:
  name: mig-pod
  annotations:
    nvidia.com/vgpu-mode: "mig" # 可选；不填则可在 MIG 节点与 hami-core 节点间通用调度
spec:
  containers:
    - name: cuda-container
      image: nvidia/cuda:12.4.1-base-ubuntu22.04
      command: ["bash", "-c", "sleep 86400"]
      resources:
        limits:
          nvidia.com/gpu: 2 # 2 个 MIG 实例
          nvidia.com/gpumem: 8000 # 每个实例至少 8GiB 显存

一次真实的调度实验

A100 上的一组实测（1g 模板可放任何位置，2g 模板仅允许 0、2、4 位置）可以直观感受“按需”行为：先提交的 1g 和 2g 任务正常创建并运行；此时再提交 3g 任务，因剩余可放置位置不足而 Pending；删除 1g 的 Pod 后，腾出的空间恰好容纳 3g，任务成功调度；随后重建 1g 也能在剩余空位上运行。

同样的规格，旧版在第三步会永久 Pending，整卡几何在第一个负载到达时就被锁死；新版通过动态创建与回收让集群自己消化负载变化，全程无需排空（drain）节点、无需 cordon。监控上，DCGM 风格指标会暴露 MIG UUID、Profile、实例 ID 和放置坐标。已知限制：CDI 模式暂不支持与 MIG 同时使用；多设备 MIG 场景待验证，建议先在自己的拓扑上测试。

mutex 互斥策略与可组合调度策略链

新的 mutex 策略（HAMi #2011，@mesutoezdil）让带该注解的 Pod 只与其他 **mutex Pod 互斥**，两个 mutex Pod 不会被调度到同一张 GPU 上；如果需要完全独占整卡，直接按整卡申请资源即可：

metadata:
  annotations:
    hami.io/gpu-scheduler-policy: "mutex"

hami.io/gpu-scheduler-policy 现在接受有序逗号分隔的策略链（HAMi #2621，关闭 #2010）。真实集群要的往往不是单一策略，而是“独占 + 紧凑 + NUMA 亲和”的组合：

# 先用 mutex 过滤出空闲 GPU，再按 binpack 排序，NUMA 作平级裁决
metadata:
  annotations:
    hami.io/gpu-scheduler-policy: "mutex,binpack,numa"

规则要点：binpack、spread、numa 是排序键，按书写顺序生效；mutex 和 NVIDIA 的 topology-aware 是过滤器，在排序前剔除候选；纯过滤器组合会回退为 spread；单个策略值的行为与旧版完全一致。

PodGroup 成组调度

v2.10.0 在 Kubernetes v1.35 及以上版本支持 PodGroup 成组调度能力。带有 scheduling.x-k8s.io/pod-group 标签的 Pod 会作为一组统一调度和绑定，适合分布式训练等“全有或全无”负载。

init-container 资源记账修正

用 init 容器下载权重/准备数据的 Pod 此前被过量计数：调度器把所有容器的请求加总，等于假设 init 容器与应用容器并行运行。v2.10.0 对齐 Kubernetes 标准语义，有效请求变为 max(Σ app containers, max(init containers))（HAMi #1773，@maishivamhoo123），消除了“节点明明够却报满”的误判：

initContainers:
  - name: download-weights
    resources:
      limits:
        nvidia.com/gpu: 1
        nvidia.com/gpumem: 8000
containers:
  - name: inference
    resources:
      limits:
        nvidia.com/gpu: 1
        nvidia.com/gpumem: 16000
# 有效请求 = max(16000, 8000) = 16000 MiB，旧版本会误算成 24000 MiB

加速器版图：AMD、壁仞加入，昇腾走向异构

AMD Instinct MI300X：AMD 也有软 vGPU 了

AMD Instinct 系列此前在 Kubernetes 里基本只能整卡分配。v2.10.0 中，@FouoF 与 @kenji-mido 合作带来了软件 vGPU 支持（HAMi #2290），并在 MI300X + ROCm 7.0.2 上完成验证。

实现不依赖硬件 SR-IOV：由 amd-device-plugin（0.0.1）通过 postStart hook 在节点上安装 libamvgpu.so，经 glibc LD_AUDIT 注入工作负载，再通过 HIP_DEVICE_MEMORY_LIMIT 施加硬限制，显存和算力都做到“分多少、用多少”：

资源请求方式与 NVIDIA 侧保持一致的体验：

resources:
  limits:
    amd.com/gpu: "1" # 1 块 GPU
    amd.com/gpumem: "49152" # 48 GiB 显存
    amd.com/gpucores: "30" # 30% 计算单元

部署方式：先确认 HAMi scheduler 管理三个 AMD 资源名，再安装专用插件（不要与上游 ROCm k8s-device-plugin 混用；如果用 AMD GPU Operator 管驱动，需先关闭其内置 device-plugin）：

helm upgrade --install amd-gpu \
  https://github.com/Project-HAMi/amd-device-plugin/releases/download/amd-gpu-helm-0.0.1/amd-gpu-0.0.1.tgz \
  --namespace kube-system \
  --create-namespace

使用限制：工作负载镜像必须是 glibc 基础且 GLIBC 2.34 及以上（较新的 rocm/pytorch 标签即可），Alpine/musl、Ubuntu 20.04、RHEL 8 暂不支持；RDNA/WGP 架构设备暂不支持；单 Pod 多 GPU 场景因缺少硬件尚未验证。

壁仞设备支持

v2.10.0 新增壁仞（Biren）加速器管理支持（HAMi #1711，@DSFans2014，验证型号 Biren166M），提供整卡和 SVI 固定 2/4 分区两种模式，节点打标后即可使用；注意 Biren 不按显存/算力细分，Pod 拿到的是整卡或一个 SVI 分区：

kubectl label node <node-name> biren=on

resources:
  limits:
    birentech.com/gpu: "1"

至此，HAMi 覆盖的加速器已包括 NVIDIA、AMD、华为昇腾、寒武纪、海光、壁仞、燧原、沐曦、摩尔线程、昆仑芯、天数智芯、AWS Neuron 和瀚博半导体等。

昇腾异构模式：vNPU 与 HAMi-core 同集群共存

v2.9.0 的 HAMi-core 模式要求 Pod 显式声明，运维得维护两套负载清单。v2.10.0 让昇腾负载对模式无感：不带 huawei.com/vnpu-mode 注解的 Pod 落到模板节点就走 vNPU 硬切分，落到 hami-core 节点就走软切分（HAMi #2035、ascend-device-plugin #106，@ouyangluwei163）；带显式注解的 Pod 仍固定模式，只有节点确实不支持 hami-core 时才会拒绝：

# 显式指定软切分（可选）
metadata:
  annotations:
    huawei.com/vnpu-mode: "hami-core"
spec:
  containers:
    - name: npu-container
      resources:
        limits:
          huawei.com/Ascend910B3: "1"
          huawei.com/Ascend910B3-memory: "28672"
          huawei.com/Ascend910B3-core: "40" # 40% 算力核

昇腾 vNPU HAMi-core：从“可分配”到“可观测”

HAMi v2.9.0 引入了昇腾软切分（hami-core 模式），但软切分的资源长期“看得见分配、看不见使用”。v2.10.0 中，@maverick123123 为 vNPU HAMi-core 模式内置了 Prometheus 指标服务（ascend-device-plugin #93），把软切分资源变成可观测、可运维的对象：

• 内置 metrics server（端口 9395）：仅在 hami-vnpu-core 模式启用时启动，无额外部署成本。

• 容器级 AICore 利用率：hami_container_device_utilization_ratio 按设备 UUID 正确映射，不再回退到第一块设备。

• 设备级显存：hami_host_gpu_memory_used_bytes 从容器级用量聚合而来，共享场景下数值更准。

• 进程级 HBM 追踪：通过 DCMI 采集，支持多卡张量并行（如 vLLM TP=2）推理的按容器共享内存核算（ascend-device-plugin #87、hami-vnpu-core #10）。

# 每个容器的 AICore 利用率
hami_container_device_utilization_ratio

# 每块 vNPU 的已用显存（按容器聚合）
hami_host_gpu_memory_used_bytes

监控栈可以用 ascend-device-plugin 的 Helm chart 直接部署（#108），接入现有 Prometheus + Grafana 即可出图。

生态集成：KAI Scheduler 与 Volcano

KAI Scheduler + HAMi-core：KAI Resource Isolator

NVIDIA 开源的 KAI Scheduler 在 GPU 共享调度上很强，但调度器只能保证“请求之和不超过一张卡”，无法在运行时物理阻止超用。v2.10.0 发布了由 @archlitchi 开发的伴生项目 KAI Resource Isolator（v1.1.0，监控部分由 @dttung2905 贡献），把 HAMi-core 的运行时隔离能力接入 KAI 体系，让 KAI 的共享 GPU 从“协作式”升级为“硬隔离”。

职责划分非常干净：KAI Scheduler 决定“谁分多少”，Isolator 保证“分到多少就只能用多少”。

安装两步（要求 KAI Scheduler v0.17.0 及以上）：

# 1. 安装 KAI Scheduler，开启 GPU 共享与 hamicore 插件
helm install kai-scheduler oci://ghcr.io/nvidia/kai-scheduler \
  --version v0.17.0 \
  --set global.gpuSharing=true \
  --set binder.plugins.hamicore.enabled=true \
  --namespace kai-scheduler --create-namespace

# 2. 安装节点侧隔离器（chart 版本带 -chart 后缀）
helm install kai-resource-isolator oci://docker.io/projecthami/kai-resource-isolator \
  --namespace kai-resource-isolator --create-namespace \
  --version 1.1.0-chart

之后，任何被 KAI 调度、带 gpu-memory 注解的 Pod 都会自动获得显存硬隔离：

apiVersion: v1
kind: Pod
metadata:
  name: gpu-sharing-with-isolation
  labels:
    kai.scheduler/queue: default-queue
  annotations:
    gpu-memory: "4096" # 单位 MiB
spec:
  schedulerName: kai-scheduler
  containers:
    - name: gpu-workload
      image: nvidia/cuda:12.9.2-base-ubuntu24.04
      command: ["sleep", "infinity"]

验证方式很直接：进容器执行 nvidia-smi，看到的显存是分配额度而非整卡显存，且无法超额分配：

kubectl exec -it gpu-sharing-with-isolation -- nvidia-smi

需要说明的是，这套架构已经落地、隔离器已发布，但两个加固 PR 还在推进中：基于 fraction 的显存强制（KAI-resource-isolator #6）和非 root 容器目录权限（#22）。生产上硬隔离场景建议先验证内存限制确实生效。更多背景可以阅读此前的深度解析：KAI Scheduler + HAMi 的 GPU 显存硬隔离。

Volcano vNPU：批量调度器也能调度昇腾软切分

Volcano 是很多 AI 集群的批量调度器首选。v2.10.0 的集成没有重新发明软切分，而是把“分配者”从 HAMi Scheduler 换成 Volcano，下面两层原样复用：

注意 Volcano 调度昇腾 vNPU 有两种模式：Volcano 原生昇腾插件的 MindCluster 模式（AscendMindClusterVNPUEnable，走驱动模板硬切分）和基于 ascend-device-plugin 的 HAMi 模式（AscendHAMiVNPUEnable，支持 hami-core 软切分）。v2.10.0 补全的是后者中的软切分路径，也是两种模式里唯一在运行时强制显存/算力上限的一种：

配置示例

Volcano 侧，在 volcano-scheduler-configmap 中为 deviceshare 插件打开 HAMi 模式：

AscendHAMiVNPUEnable: "true" # 启用 HAMi 模式昇腾 vNPU
SchedulePolicy: binpack # 多个切片尽量装箱到同一张物理卡
KnownGeometriesCMName: hami-scheduler-device # vNPU 规格来源

节点侧以软切分模式部署 ascend-device-plugin（hamiVnpuCore: true）。Pod 侧的契约很简洁：schedulerName: volcano、runtimeClassName: ascend、huawei.com/vnpu-mode: hami-core 注解，加两个扩展资源：

apiVersion: v1
kind: Pod
metadata:
  name: ascend-vnpu-check
  annotations:
    huawei.com/vnpu-mode: "hami-core" # 缺少该注解会退回模板路径，纯软切分节点上可能一直 Pending
spec:
  schedulerName: volcano
  runtimeClassName: ascend
  containers:
    - name: npu
      image: ascendhub.huawei.com/public-ascendhub/ascend-mindspore:23.0.RC3-centos7
      command: ["bash", "-c", "sleep 86400"]
      resources:
        limits:
          huawei.com/Ascend310P: "1"
          huawei.com/Ascend310P-memory: "8192" # 8 GiB 切片

真机验证结果

社区在一台昇腾 310P3（aarch64、npu-smi 25.5.1、Kubernetes 1.28）单节点集群上验证了完整链路；该路径支持 910A/910B2/910B3/310P 等异构昇腾集群：

• 切片隔离生效：申请 8192 MiB 的容器内 npu-smi info 显示 0 / 8192 MB，而宿主机同一张卡是 1848 / 21525 MB，libvnpu.so 把设备查询改写成了容器配额

• binpack 共卡：第二个同规格 Pod 落到同一张物理卡（相同 Bus-Id），各自拥有独立的 8192 MiB 窗口；节点已分配 2 个 vNPU、16384 MiB

• 监控如实上报：插件在 :9395 端点为每个 Pod 导出 hami_vgpu_memory_limit_bytes，数值恰好等于 8192 MiB（约 8.59e9 字节）

注意事项

• 版本：Volcano 1.14 及以上即可使用 HAMi 模式，软切分要求 1.16+ 且仅支持 ARM

• libvnpu.so 必须与 NPU 驱动匹配：不匹配不会报错，容器内 npu-smi 会一直卡在初始化

• 指标在插件 Pod 上：:9395 端点由 DaemonSet 提供，业务 Pod 内访问无效

• 隔离定性：软切分是运行时 API 层拦截，不是 SR-IOV 式硬件边界

完整原理与每条命令的真实输出见社区博客《用 Volcano + HAMi-core 软切分昇腾 vNPU：原理与真机验证》和 ascend-device-plugin Volcano 指南。

工程与构建改进

这类改动不显眼，但直接决定上生产是否省心：

DRA 独立 chart（HAMi #2038，@archlitchi）：DRA（动态资源分配）组件从 HAMi 主 chart 中拆出，迁入独立的 HAMi-dra 仓库。不用 DRA 的集群不再拉取相关组件，主 chart 更干净，DRA 演进也不再受主版本节奏约束。

握手注解优化（HAMi #2052，@archlitchi）：节点清理时彻底移除握手注解的 key，不再写入带时间戳的 Deleted_* 标记，节点健康与重置上报保持一致。

ubi8 编译镜像（HAMi #1958，@spencercjh）：HAMi 与 HAMi-core 的构建阶段迁移到 nvidia/cuda:13.3.0-cudnn-devel-ubi8，拓宽了产物的 GLIBC 兼容面，让同一份构建产物能跑在更多目标发行版上。这对 HAMi-core 这种以 .so 形态注入用户进程的组件尤其重要。

mock-device-plugin NPU 模板（mock-device-plugin #18，@Wangmin362）：mock 插件同时支持新版嵌套与旧版扁平 vnpus 配置格式，并注册昇腾 AI-core 与海光 DCU 核心资源，无硬件环境也能测试 NPU vNPU 调度。

贡献者

v2.10.0 由 HAMi 主仓库及 Project-HAMi 组织下的多个仓库（ascend-device-plugin、KAI-resource-isolator、mock-device-plugin、hami-vnpu-core、amd-device-plugin）的社区成员共同完成。本版本的特性负责人包括：

• @archlitchi：发版协调、KAI Resource Isolator、DRA chart 分离、握手注解优化

• @mesutoezdil：mutex 调度策略、NUMA 排序修复、可组合策略链

• @maverick123123：昇腾 vNPU HAMi-core 监控

• @ouyangluwei163：昇腾异构模式（vNPU + HAMi-core 共存）

• @FouoF、@kenji-mido：AMD MI300X vGPU、Flexible MIG

• @DSFans2014：壁仞设备支持、vNPU 监控 Helm chart

• @lin121291：PodGroup 成组调度

• @maishivamhoo123：init-container 资源记账

• @Wangmin362：mock-device-plugin NPU 模板

• @spencercjh：ubi8 编译镜像

• @dttung2905：KAI vGPU 监控与非 root 负载修复

其中 @archlitchi（发版协调与 KAI 集成）、@FouoF（Flexible MIG 与 AMD 支持）、@maverick123123（昇腾监控）、@spencercjh（构建链路）来自密瓜智能团队。感谢每一位贡献者，也感谢所有提交 issue、测试 RC、分享生产反馈的用户。完整贡献者名单见 v2.10.0 Release Notes。

升级指南

helm repo add hami-charts https://project-hami.github.io/HAMi/
helm repo update
helm upgrade hami hami-charts/hami -n kube-system

社区动态：自 v2.9.0 以来

v2.9.0（2026 年 5 月）发布以来的三个多月，是 HAMi 社区非常活跃的一段时期：项目里程碑、生态合作、用户案例与社区活动密集落地：

重大里程碑

• 进入 CNCF Incubating（7 月）：HAMi 从 CNCF Sandbox 毕业进入孵化阶段，成为云原生异构计算版图的重要一环。阅读公告

• HAMi-core 被 KAI Scheduler 采纳（6 月）：KAI Scheduler 内置 HAMi-core 实现 GPU 显存硬隔离，GPU 共享进入硬隔离时代，本文介绍的 KAI Resource Isolator 正是这条合作线的延伸。阅读公告

用户案例

• 招商银行（7 月）：基于 Kubernetes 与 HAMi 构建统一的异构 AI 算力调度平台，实现拓扑感知调度与加速器细粒度共享；通过超节点模块感知的成对分配，硬件资源池利用率达到 100%，分布式训练跨机调度下降 30%，细粒度切分最小至单卡 1 GB 显存、1% 算力。查看案例

• SNOW（5 月）：通过 HAMi GPU 共享与 KEDA 自动伸缩，编排 1000+ A100 GPU 为全球 2 亿多用户提供 GenAI 服务；训练与推理流水线所需 GPU 减少一半，从容应对 700% 流量洪峰，相比等量按需云 GPU 预估节省 1740 万美元，MTTR 从约 2 小时缩短至约 10 分钟。查看案例

社区活动

• KubeCon + CloudNativeCon India 2026（6 月）：HAMi 亮相印度站，把 GPU 共享带给当地社区。活动回顾

• KCD Vietnam 2026（7 月，河内）：分享《从项目到生产：HAMi 与 Viettel Cloud》，覆盖 GPU 共享机制与 Viettel Cloud 的电信级生产部署实践。活动详情

• vLLM Meetup 上海站（7 月）：李孟轩（密瓜智能联合创始人兼 CTO、HAMi Maintainer）带来《你的算力用的好么？——vLLM 推理集群优化的三个阶段》。活动回顾

• KubeCon + CloudNativeCon Japan 2026（7 月底，横滨）：HAMi 设展位并带来演讲《共享 GPU 调度与主动自动伸缩》，SNOW 也在现场分享了基于 HAMi 的落地经验。活动回顾

• COSCUP 2026（8 月，台北）：演讲《用 HAMi 在一块 GPU 上运行多个 AI 工作负载：架构与注意事项》，介绍无需改动应用代码的 CUDA 接管、显存隔离，以及 GPU 成本降低 40-60% 的生产用例。活动详情

• Open Source Summit Korea 2026（8 月，首尔）：演讲《使用 HAMi 简化边缘计算中的 AI》，分享 Jetson 级设备上的显存切片与多智能体并发运行等边缘 AI 实践。活动详情

人才计划

• LFX Mentorship 2026 Term 3（8 月开放申请）：四个 GPU 共享方向的开源课题面向全球开发者开放。申请指南

社区活动预告：HAMi Meetup 上海站

「不卷算力，卷效率｜HAMi Meetup 上海站 · Incubating 特别活动」 将于 9 月初举行，这是 HAMi 进入 CNCF Incubating 后的首次社区聚会：

活动分下午与晚间两场：下午场是 5 场技术演讲 + 社区圆桌，晚间场以 HAMi 进入 CNCF Incubating 为里程碑，安排贡献者故事（My HAMi Story）、社区致谢与自由交流。

结语

v2.10.0 是一个围绕“调度灵活性、加速器广度、生态深度”的版本：Flexible MIG 让 MIG 真正按需伸缩，可组合策略链和成组调度补齐了真实集群的调度诉求，AMD 与壁仞扩大了加速器版图，昇腾的异构管理与可观测性走向成熟，KAI Scheduler 集成则让 HAMi-core 的隔离能力进入更广的调度生态。

后续 Flexible MIG 的多设备验证、KAI 隔离器的 fraction 显存强制等工作仍在推进。Ascend-DRA 支持也已在路上，将在近期随 HAMi-DRA chart 正式发布，敬请期待。如果你在 GPU 虚拟化、异构调度方向有想法，欢迎参与 HAMi 社区。

相关链接：

• GitHub Release：HAMi v2.10.0

• 官网发布说明：英文 / 中文

• KAI Resource Isolator：GitHub - Project-HAMi/KAI-resource-isolator: GPU memory isolation for KAI-Scheduler GPU-sharing workloads, powered by HAMi-core. · GitHub

• Ascend Device Plugin：GitHub - Project-HAMi/ascend-device-plugin: Kubernetes device plugin for Ascend NPUs, supporting hard and soft NPU slicing with HAMi and Volcano. · GitHub

• AMD Device Plugin：GitHub - Project-HAMi/amd-device-plugin: Kubernetes device plugin for AMD GPUs, supporting soft vGPU with HAMi. · GitHub

• 社区 Discord（推荐）：https://discord.gg/Amhy7XmbNq

• CNCF Slack：https://cloud-native.slack.com/archives/C07T10BU4R2

密瓜智能（Dynamia）由 CNCF 项目 HAMi 的发起与核心维护团队创立，致力于构建AI 基础设施的开源内核，通过面向开源协作构建异构算力的底层调度与虚拟化能力，让 GPU 与各类 AI 芯片资源在云原生环境中更易用、更高效、更可治理。公司围绕异构 GPU 资源虚拟化、高效调度与生产级落地，帮助企业将分散、复杂、昂贵的算力资源转化为可共享、可隔离、可按需使用的基础设施能力。

HAMi 是目前行业内唯一专注于异构 GPU 资源虚拟化、高效调度的开源项目，通过灵活、可靠、按需、弹性的 GPU 虚拟化来提升资源利用率，可以插拔式、轻量化、无侵入地部署在任意公有云、私有云、混合云环境中。在生态兼容层面，HAMi 已全面支持 NVIDIA、AMD、昇腾、平头哥、沐曦、寒武纪、海光、摩尔线程、天数智芯、昆仑芯、燧原、壁仞科技、AWS、瀚博半导体等国内外主流 GPU 芯片。同时无缝支持 Volcano, Koordinator, Kueue, Kai Scheduler 等上下游主流开源调度项目，逐步形成稳定的异构算力生态。目前，HAMi 已集结来自 40 多个国家的 500 余位贡献者，社区活跃度持续提升，最终用户已超过 300 家企业，覆盖国内主流云厂商、互联网企业以及 KA 用户，包括招行、银联、顺丰、蔚来、LinkedIn 等，并已拓展至东南亚、欧洲等海外地区，行业影响力十分广泛。

官网：dynamia.ai

邮箱：info@dynamia.ai

HAMi 项目地址：https://github.com/project-hami/hami

原文地址：HAMi v2.10.0 发布：Flexible MIG、可组合调度策略与更广阔的加速器生态