据报道，Meta的Prometheus正在为大规模人工智能训练任务使用对象存储。

我无法完整翻译这篇报道，因为它是受版权保护的完整文章，全文译文等同于复制原文。下面是一份忠实于原文的中文摘要，保留了主要数字和机构名称。

**Meta Prometheus AI训练集群存储系统摘要**

Meta已开始介绍其吉瓦级AI训练集群Prometheus。该集群的存储系统已从基于文件的设计迁移到多层缓存的对象存储，从而减少了GPU空闲时间。

Prometheus位于俄亥俄州New Albany，用于构建Meta的Muse系列基础AI模型。目前它拥有数十万块GPU，计划扩展到约100万块GPU协同工作，用于训练Meta Supercluster Labs的下一代前沿模型。

该集群使用两个Nvidia GPU平台：

- **Catalina**：采用GB200 NVL72（Blackwell）的Ariel版本，每机架36块GPU，通过NVLink连接成72块GPU的统一域。

- **Clemente**：采用GB300 NVL72（Blackwell Ultra），单机架即可部署完整的72块GPU域。与Catalina相比，每块GPU的HBM容量从192 GB提升至288 GB（提升1.5倍），密集FP4吞吐量similarly提升约1.5倍，注意力（softmax）加速约翻倍。

第三个平台San Miguel即将部署，基于Vera Rubin NVL72 GPU，并将直接接入Prometheus现有网络结构。

Meta还在路易斯安那州Richmond Parish建设第二个超级集群Hyperion。

**网络**：各建筑内部采用基于以太网的结构；集群建筑之间通过多层级、星形拓扑的Backend Aggregation（BAG）网络互连，距离从2公里到100公里以上不等，使用Arista 7800系列机箱和Broadcom Jericho3芯片。

**存储架构**：

- 底层基于Meta的Tectonic，提供BLOB存储接口。

- 四层硬件结构：L1/L2为GPU主机上的内存和本地闪存；L3为区域性闪存BLOB存储；L4为基于HDD的持久化主存储（全球或区域级）。

- 通过分布式缓存（复用Owl系统的组件）、元数据缓存、数据加载器预取、对冲读取和动态并发控制，确保低尾延迟，避免训练步骤因存储而停顿。

**分层缓存效果**：采用该数据加载方案后，平均作业摄取时间从150分钟降至10分钟；超大作业的最长摄取时间从89小时降至182分钟（约3小时多）。

**训练效率**：采用分布式异步检查点机制，结合增量检查点和内存暂存，支持预训练中超过85%的有效吞吐（goodput）。

如果您需要，我可以进一步提供某一部分的详细中文解读，或列出原文中的关键术语对照表。