在大规模AI训练中，GPU利用率取决于“好吞吐”，即有效计算时间占比。数据加载和检查点机制是关键：频繁异步保存检查点（如每30分钟）可减少故障恢复成本，提升好吞吐至91%；数据管道需重叠预取和本地缓存，避免GPU空闲。同时，检查点需包含数据位置和随机数状态，确保恢复后训练正确。