为确保长时间运行任务的可靠性，SkyPilot实现了三重容错保护：
- 自动故障转移：当检测到云服务商容量不足或Spot实例被回收时，系统会在60秒内自动切换到其他可用区或云平台（如从AWS切换到GCP）。
- State persistence: By
workdir定义的本地代码和数据会实时同步到云端，任务重启时可从断点继续。 - 健康检查体系：内置监控模块会持续检测GPU温度、网络延迟等指标，异常时触发预警或重建实例。
典型场景下，这些机制可将任务成功率提升至99%+。例如在超参数搜索任务中，即使部分工作节点失败，系统也会保留已完成作业的checkpoint文件，并在新实例上继续未完成的任务。
This answer comes from the articleSkyPilot: an open-source framework for efficiently running AI and batch tasks in any cloudThe
May not be reproduced without permission:AI productivity tools " SkyPilot在任务容错和稳定性方面有哪些保障机制？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil