英文：Fault-Tolerant Computing 分类：infra
系统在组件（节点/GPU/网络）出现故障时仍能继续正确运行的计算范式，通过冗余与自愈设计保证长时任务的可靠性。
手段：冗余（副本/校验）、检查点+重启（任务级容错）、弹性调度（失败节点任务重分配）、纠错编码（网络）；大模型训练场景：GPU 掉卡不中断（Megatron/DeepSpeed 的容错重启）。
用于大规模分布式训练（千卡集群必有故障）、长时间批处理、关键在线服务与云基础设施；容错计算是"大规模系统规模化"的前提。