AI热榜 9 月 8 日，在上海举行的 KubeCon + CloudNativeCon + OpenInfra Summit + PyTorch Conference China 2026 大会期间，云原生计算基金会（CNCF）宣布，多集群 Kubernetes 编排项目 Karmada 正式毕业（Graduated）。
从 2021 年进入 CNCF Sandbox，到 2023 年晋升 Incubating，再到此次毕业，Karmada 用约五年时间完成了 CNCF 项目成熟度体系中的主要阶段。
目前，该项目已经拥有超过 1214 名贡献者，贡献者来自 292 家组织，GitHub Star 超过 5600。
Karmada 是“Kubernetes Armada”的简称，主要解决 Kubernetes 从单集群扩展到多集群、多云和多区域之后的应用编排问题。
它建立在标准 Kubernetes API 之上，在不要求应用修改原有 Kubernetes 资源定义的情况下，提供集中部署、资源分发、故障转移、多集群自动伸缩等能力。
对于企业而言，这意味着原本分散在不同数据中心、公有云或地域中的 Kubernetes 集群，可以进一步被组织成统一的资源池，并在上层进行工作负载调度和资源管理。
从多云编排走向 AI Infra 如今，Kubernetes 多集群管理正在进入新的应用阶段。
Karmada 的应用场景也在从传统的多云、多集群管理，进一步延伸到 AI 基础设施。
过去，多集群更多用于混合云、跨地域容灾和资源扩展。
但随着大模型训练和推理越来越依赖大规模 GPU 集群，计算资源开始同时分散在不同区域、不同云以及不同类型的加速器中，多集群调度逐渐成为 AI 基础设施需要解决的问题之一。
Karmada 最新的 v1.19 版本已经开始强化这部分能力。
该版本增强了针对分布式 AI 训练任务的多组件调度，并将基于优先级的调度能力提升至 Beta 阶段且默认启用。
在 GPU 等稀缺资源竞争激烈的场景下，平台可以按照任务优先级决定哪些工作负载优先获得资源。
按照 Karmada 公布的 2026 年路线图，后续还将继续推进基于优先级的抢占、多集群 AI 训练与批处理任务队列，以及 Kubernetes Dynamic Resource Allocation（DRA，动态资源分配）在 GPU 和其他加速器上的多集群支持。
这意味着 Karmada 的定位正在从最初的“跨集群工作负载分发”，进一步向能够感知资源类型、任务优先级和异构计算资源的多集群控制平面演进。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接