一句话看懂：随着国产算力进入数据中心，算力集群从单一 NVIDIA GPU 转向多家厂商设备并存的异构环境。范式智能（原第四范式）在开源项目 HAMi 基础上推出 HAMi-DRA，借助 Kubernetes v1.34 的 Dynamic Resource Allocation（DRA）GA 特性，试图在调度性能和精细化分配能力上突破传统 Device Plugin 的瓶颈，为 AI 工作负载提供更灵活的 GPU 调度方案。
事件核心：发生了什么
在 2026 年 AICon 深圳站上，范式智能系统研发专家杨守仁将分享异构算力管理的演进实践。其核心成果是开源项目 HAMi 及最新迭代 HAMi-DRA。HAMi 已在异构算力易用性与管理能力间取得平衡，但受限于 Kubernetes Device Plugin 的粗略分配模型。随着 Kubernetes v1.34 将 DRA 推向 GA（通用可用性），资源管理从“以节点为中心”变为“以资源对象为核”的声明式模式。HAMi-DRA 正是在此基础上，将现有 GPU 虚拟化调度体系迁移至 DRA 模型，在保留核心调度能力的同时提升性能与精细化管理水平。
为什么重要
国产算力崛起使得集群中混用 NVIDIA、华为、寒武纪等多家厂商 GPU 成为常态。传统 Device Plugin 只能暴露简单容量信息，无法在 Pod 创建前精细表达设备约束（如显存大小、算力份额），导致调度碎片化与资源浪费。DRA 通过 ResourceClaim 机制允许提前定义硬件需求，这是底层基础设施的一项关键演进。HAMi-DRA 作为社区首个将 GPU 虚拟化与 DRA 深度结合的开源实践，为其他企业和项目提供了可参考的技术路标，也降低了高版本 K8s 下异构集群管理的试错成本。
对用户/开发者/创作者的影响
对于运维工程师和 AI Infra 团队：HAMi-DRA 意味着可以在不牺牲调度效率的前提下，统一管理多个厂商的 GPU 资源，减少手动配置节点标签和资源池的负担。对于部署大型模型的开发团队：更精准的资源分配能提高 GPU 利用率和作业吞吐，直接降低推理和训练成本。对于社区开发者：HAMi-DRA 是纯开源方案，用户可以自行集成和二次开发，不必依赖特定云厂商的商业调度器，降低了被锁定的风险。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，生产环境落地难度：当前 DRA 依赖 Kubernetes v1.34+，许多企业集群版本较旧，推动升级存在阻力。第二，多厂商设备联动支持：目前 HAMi-DRA 支持的异构设备数量有限，能否快速覆盖主流的国产 GPU 品牌将决定其生态规模。第三，DRA API 本身仍在演进，部分特性尚未稳定，HAMi-DRA 的长期维护和向上兼容情况需要持续观察。
来源：InfoQ CN
