Clockwork.io 融资 3100 万美元，LinkedIn、Together AI 和 WhiteFiber 采用其韧性软件以停止浪费 GPU 小时

融资与背景

2026年10月5日，Clockwork.io 宣布获得 3100 万美元新融资，总融资额达 7300 万美元。本轮由 Premji Invest、Wing Venture Capital 和 Seligman Ventures 联合领投，现有投资者 NEA 和 e& Capital 参与。资金将用于加速其容错套件在训练、推理和强化学习中的推广，扩大企业采用，并通过云合作伙伴扩大交付。Clockwork.io 的软件旨在让 AI 训练、强化学习和推理工作负载在基础设施故障中保持运行。大型分布式 AI 工作负载可跨越数千个 GPU，一个 GPU 故障、链路断开或服务器冻结就可能使整个任务停滞。Meta 曾报告，在 16,384 个 GPU 上训练 Llama 3 的 54 天期间，平均每约 三小时发生一次意外中断。典型恢复方式是重新加载检查点，过程可长达 90 分钟，健康 GPU 只能等待，任务还需重复自检查点以来的工作，导致客户为闲置 GPU 和重复计算付费，模型完成时间延长。

产品与技术创新

Clockwork.io 的容错套件部署在硬件与工作负载之间。LinkPass 在故障链路周围重新路由流量，使任务不受影响；TorchPass 将工作从故障 GPU 迁移到健康 GPU，让训练继续而非回滚。两者均已投入生产。此次新增两项 TorchPass 能力：多节点平台快照，为训练领域的行业首创，无需更改训练代码即可跨所有节点保存整个运行任务的状态，用于恢复；快速异步应用检查点，在任务运行时后台获取，加速强化学习。它们将更新后的模型权重传递给生成 rollouts 的推理副本，使副本减少等待或使用过时模型。对于推理，大型模型跨两个或更多服务器运行，一条坏链路可能拖垮整个副本并中断用户会话或代理任务；LinkPass 让多服务器副本在链路故障中继续服务。在强化学习中，模型副本生成 rollouts，训练器从中学习，更新权重需返回副本；TorchPass 的应用检查点更快传递更新权重，LinkPass 保持副本服务。SemiAnalysis 的 ClusterMAX 基准显示，TorchPass 将金牌 neocloud 的训练 goodput 损失从 14% 降至 3% 以下。SemiAnalysis 创始人 Dylan Patel 表示，集群容错曾是训练问题，现在也是推理问题，一个容错层在训练、推理和 RL 之下是解决方案所在。

客户采用与意义

LinkedIn 已在其 AI 基础设施队列部署 LinkPass，每月防止数万 GPU 小时停机。LinkedIn 基础设施 CTO Raghu Hiremagalur 表示，以前一个 InfiniBand NIC flap 可能使八 GPU 服务器停止服务，交换机端口 flap 可能再影响第二台服务器，使影响翻倍至 16 GPU；Clockwork.io 自动将流量重新路由到健康路径，允许任务在修复链路、光模块、电缆或 NIC 故障时继续。Together AI 将 TorchPass 作为服务在其 GPU 集群上推向市场。在 PyTorch Conference 上，两家公司将演示实时多节点训练任务在注入网络和 GPU 故障后继续而不重启。Together AI 产品负责人 Pavneet Ahluwalia 称，客户以 goodput 评分，TorchPass 和 LinkPass 旨在让任务在 GPU 故障和链路故障中保持进展。WhiteFiber（NASDAQ: WYFI）正扩大使用 Clockwork.io 软件，覆盖其全球 GPU-as-a-service 足迹。其 CTO Tom Sanfilippo 表示，自动队列审计可验证每个链路和节点，几分钟内定位故障，使集群更快上线，客户首次训练运行落在端到端验证的 fabric 上。NEA 风险合伙人 Greg Papadopoulos 表示，唯一完美扩展的是不可靠性，旧的重载检查点策略在今天规模下不合理，Clockwork 将故障视为正常状态。Clockwork.io 开创 Software-Driven AI Fabrics™，其 FleetLens 平台提供纳秒级准确遥测，定位减慢或停滞任务的 GPU、节点或链路，启动前验证集群，并与 LinkPass 和 TorchPass 一起保持工作负载运行。LinkedIn、Together AI、WhiteFiber、Wells Fargo、Nebius、NScale 和 DCAI 均信任 Clockwork.io 支持其 AI 基础设施。