Meta Prometheus 超级集群的第一期工程已经完工。2026 年 10 月 19 日，Meta 在其官方工程博客发文披露，这座位于美国俄亥俄州新奥尔巴尼的吉瓦级超集群已经投入训练，近期发布的 Muse 系列基础模型正是在这里训出来的；它的终局目标，是把规模推到约 100 万张 GPU。
规模：现在是数十万张，终点约一百万张
Prometheus 目前由数十万张 GPU 组成，分布在多栋建筑里，包括传统数据中心楼、AI 优化楼和快速部署结构，彼此用数英里光纤紧耦合，整体像一台机器一样运转。硬件已经铺了两代平台：第一代 Catalina 基于英伟达 GB200 NVL72，第二代 Clemente 换到 GB300 NVL72，单 GPU 显存从 192GB 涨到 288GB，整个 72 卡域塞进单个机架；基于英伟达 Vera Rubin NVL72 的第三代平台也在路上。Meta 给出的扩展终点是约 100 万张分布式 GPU 同步运行。
真正难的不是堆卡，是别停机
大规模训练里，单台主机出问题就能拖慢甚至打断整个任务，行业里用 goodput（有效算力占比）衡量这件事。Meta 披露，Muse Wonder 的预训练 goodput 超过 85%，强化学习训练超过 90%，中断间隔约 4.7 万 GPU 小时，后续靠固件等修复又提高到 5.4 万小时以上。代价藏在细节里：NVL72 把紧耦合域从 8 张卡扩到 72 张，故障影响面放大约 9 倍，于是每个域只实际跑 64 张卡、留 8 张热备顶替，一次 32768 张卡的训练要多备约 13% 的硬件。
网络与液冷：为吉瓦级准备的苦活
Prometheus 的建筑间聚合网络跨度从 2 公里延伸到 100 公里以上，单区域对带宽达到数 Pbps，整个集群用掉数百万英里的光纤丝和数以万计的交换机；散热侧用闭环液冷压住数百千瓦级的机架功率。换句话说，这座集群的工程难点已经不在单颗芯片，而在光、电、冷三套系统能不能按同一个节拍长期稳定运行。
为什么值得盯着这座集群
Prometheus 是 Meta Superintelligence Labs 下一代前沿模型的训练底座。它释放的信号很清楚：头部厂商的竞争正在从"买到多少卡"转向"能不能把一百万张卡组织成一台不怎么停机的机器"。对行业其他玩家来说，硬件采购只是入场券，系统级的可靠性工程才是接下来几年拉开差距的地方。
