AWS Batch 为 SageMaker Training 作业推出配额管理，支持团队间借还 GPU 资源

AWS Batch 支持 SageMaker Training 作业后，客户可以用全托管方式排队、调度和重试 ML 训练负载。随着多团队共享 GPU 容量，管理员需要额外协调队列、容量上限和资源分配，AWS Batch 因此新增配额管理调度能力，把计算容量按团队、项目或负载切分为配额份额。 每个配额份额包含容量上限和空闲算力共享策略：RESERVE 表示空闲容量保留至任务到达，LEND 表示空闲时借给其他有任务的份额，LEND_AND_BORROW 则同时支持借出和借入。配额份额作为虚拟队列嵌套在关联作业队列中，AWS Batch 调度时优先处理未超限的份额；借出方有新任务到达时触发跨份额抢占，自动收回资源，无需管理员手动终止借用方的作业。 配置配额管理需要创建包含 quotaSharePolicy 的 Scheduling Policy、以具体实例规格定义容量上限的 Service Environment，以及连接两者的 SageMaker Training 作业队列，再将配额份额关联到作业队列。示例中三个项目份额均设为单台 ml.g5.xlarge：QS1 采用 LEND_AND_BORROW 并开启份额内抢占，适合可检查点续跑的后台任务；QS2 采用 LEND 且关闭份额内抢占，适合短任务或优先级相近的负载；QS3 采用 RESERVE，不借出不借入，任务不会被抢占。 开启份额内抢占后，同一份额中处于 SCHEDULED、STARTING 或 RUNNING 状态的低优先级作业可被高优先级作业抢占，使队首任务更早启动。示例通过 SageMaker Python SDK v3 的 aws_batch 模块向 QS1 提交三个不同优先级的作业，高优先级作业先用 QS1 容量启动，中优先级作业借用 QS2 的空闲容量；随后向 QS2 提交作业会触发跨份额抢占，把借出的容量收回。