Am 24. August 2026 veröffentlichte Meta Engineering MetaRoCE und behauptete, es handele sich um eine RDMA-Übertragungslösung, die für großflächiges KI-Training und -Inferenz neu entwickelt wurde. Es versucht, den GPU-Clusterdurchsatz auf gewöhnlichem Ethernet mithilfe von Endpunktintelligenz, Pfadtelemetrie und Paketverlustwiederherstellung aufrechtzuerhalten. Meta plant, im Oktober Protokollspezifikationen, Referenzsoftwareimplementierungen und Compliance-Testpakete über das Open Compute Project zu veröffentlichen, sodass diese Ankündigung den Ausgangspunkt für Architektur und Ökosystem markiert.
Warum Meta die Transportschicht neu gestaltet
Traditionelles RoCE basiert auf der Schalter-Prioritätskontrolle, um Paketverluste zu reduzieren, aber der KI-Clusterverkehr ändert sich während der Trainingsphasen schnell. Pauseframes können die Überlastung auf mehr Geräte übertragen, und feste Regeln sind schwer an Mehrwegenetze anzupassen. Wenn ein Gradienten- oder Aktivierungstensor verspätet ist, kann die gesamte GPU-Gruppe warten.
MetaRoCE fällt mehr Urteile sowohl über den sendenden als auch über den empfangenden Sender. Endpunkte erfassen Round-Trip-Latenz, ECN-Tagging und Nutzungsraten für jeden Pfad und weisen dann die Daten dynamisch zu; Die Lösung unterstützt außerordentliche Zustellung, native Multipath- und Paketverlusttoleranz, die nicht auf PFC-Pause-Frames angewiesen ist. Das Ziel ist nicht, davon auszugehen, dass das Netzwerk immer fehlerfrei ist, sondern die Kommunikation im Falle lokaler Ausfälle voranzutreiben.
Wie die drei Designs zusammenarbeiten, um Wartezeiten zu reduzieren
Multipath kann mehrere Verbindungen nutzen, um einzelne Hotspots zu reduzieren; Nicht bestellte Lieferung bedeutet, dass ankommende Daten nicht auf das langsamste Paket warten müssen; Sowohl Sender als auch Empfänger nehmen an der Staukontrolle teil, die die Staupfadrate senken und den Datenverkehr dann auf einen Pfad mit zusätzlicher Kapazität umleiten kann.
Meta stellte fest, dass bestehende RDMA-Verben und die meisten oberen Schichten keine größeren Änderungen benötigen; Das Team hat es auf AMD Pensando-Netzwerkkarten und einem 64-Knoten-AMD-GPU-Cluster validiert. Laut den veröffentlichten Ergebnissen des Unternehmens wurde bei 1 % Paketverlust noch etwa 86 % Durchsatz erzielt, und die verfügbare Bandbreite blieb bei 10 % Paketverlust erhalten. Dies sind Metas kontrollierte Experimentergebnisse und können für kein Rechenzentrum als Garantie angesehen werden.
Was bedeutet das für die KI-Infrastruktur?
Wenn Standards, Netzwerkkarten-Firmware, Switches und Überwachungstools koordiniert werden, müssen KI-Cluster möglicherweise nicht mehr eine große Anzahl statischer Regeln gegen "scheinbar null Paketverlust" eintauschen. Netzwerke werden eher wie Rechenressourcen sein, die sich anhand von Endpunkt-Feedback selbst regulieren können, was es einfacher macht, Trainingsaufgaben über Topologien hinweg skalierbar zu machen.
Die Bereitstellungsschwelle bleibt hoch: Teams müssen bestätigen, dass Netzwerkkarten und -switches Unterstützung und Treiber mit Kommunikationsbibliotheken kompatibel sind, und die Fehlerinjektions- und Durchsatzbasislinien wiederherstellen. Vor der Veröffentlichung der OCP-Spezifikation und Testsuite ist MetaRoCE besser geeignet, als sinnvolle Infrastrukturrichtung gesehen zu werden, statt als eine Lösung, die das aktuelle RoCE heute ersetzen kann.
