NVIDIA 于10月26日介绍 Mission Control 2.5，把此前用于 Slurm 高性能计算任务的自动恢复引擎扩展到 Kubernetes。新支持面向 NVIDIA Run:ai 管理的 AI 工作负载，重点处理分布式训练中的 GPU 异常、软件故障和节点退化。
恢复流程由三层组成：Kubernetes 调度器安排任务位置，任务恢复服务结合拓扑与失败历史选择重启或重新调度，硬件恢复服务负责隔离异常节点并诊断。出现硬件故障时，训练任务可以先转移到健康资源，底层硬件检查继续并行，不必等全部维修结束才恢复计算。
系统也区分不同故障类型。短暂软件错误可先重试任务，避免触发不必要的硬件处置；对逐步退化的节点，硬件服务可提前移出调度资源池。NVIDIA 同时给出升级文档和完整发行说明，把训练作业恢复从人工处理推进到结合任务上下文的持续控制流程。