Karmada正式从CNCF毕业，已用于多集群AI训练与GPU调度

Karmada正式成为CNCF毕业项目，标志着其在多集群Kubernetes编排领域达到生产就绪成熟度。项目基于标准Kubernetes API实现跨集群统一调度与管理，无需修改应用资源定义。已获1214名贡献者、292家组织及超5600 Star支持。

Karmada毕业体现多集群编排技术进入主流云原生栈；零侵入适配现有Kubernetes应用资源模型；支持跨云/跨地域统一资源池构建与故障转移。

适合平台工程师、云原生架构师、多集群运维负责人阅读。

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。

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。

Karmada Maintainer Hongcai Ren表示，目前Karmada已经被用于从微服务、大数据到AI等不同场景。项目下一阶段也将继续围绕AI与Agent基础设施带来的新问题展开。

CNCF项目毕业并不仅意味着功能成熟，也要求项目在治理、安全、社区活跃度以及生产采用等方面达到相应标准。

目前Karmada已经拥有来自六家组织的Maintainer。其生产用户覆盖云计算、互联网、通信、AI、旅游、物流和设备制造等领域，包括Alibaba Cloud、Bilibili、Huawei、iFLYTEK、JDCloud、Kuaishou、RedNote、SenseTime、Trip.com、Vivo、WPS、ZTO，以及Bloomberg、Wellhub等。

这些用户的实际使用场景也已经不再局限于简单的多集群应用发布，而包括混合云容量管理、多区域容灾、智能流量分发、AI训练、GPU/CPU调度以及跨集群配置分发等。

Bloomberg Streaming Platform Engineering Team Lead，同时也是Karmada Maintainer的Michas Szacillo表示，Bloomberg已经利用Karmada自动化灾难恢复、提高资源利用率，并简化多个Kubernetes集群的管理。

Trip.com Senior Development Expert Honghui Yue则表示，Trip.com使用Karmada将多个Kubernetes集群作为统一资源池运行，在不修改现有Kubernetes资源定义的情况下实现跨集群弹性、故障转移以及大规模工作负载迁移。

在生态兼容方面，Karmada控制平面能够直接导出Prometheus指标，控制平面状态通过etcd保存，并提供Helm Chart用于部署，与现有Kubernetes和CNCF工具链保持兼容。

在CNCF项目体系中，Graduated是目前最高的成熟度等级。为了达到这一阶段，Karmada完成了第三方安全审计，建立了正式Steering Committee，并采用CNCF Code of Conduct，同时继续保持Core Infrastructure Initiative（CII）Best Practices Badge。

CNCF CTO Chris Aniszczyk表示，随着Kubernetes被扩展到越来越多的集群以及GPU资源紧张的AI环境，如何以生产级方式协调这些资源已经成为新的基础设施问题，而此次毕业意味着Karmada在技术成熟度、治理和安全实践方面已经达到CNCF对成熟项目的要求。

值得关注的是，Karmada此次毕业，也恰逢Kubernetes基础设施需求进一步向多集群、异构算力和AI场景延伸。

过去几年，Kubernetes主要解决单个集群内部的容器编排问题；随着企业基础设施逐渐跨数据中心、跨云、跨地域，乃至扩展到GPU、NPU等异构算力资源，新的挑战正在从“如何管理一个集群”，转向“如何管理一组甚至大规模集群”。

AI训练和推理对算力规模、资源利用率以及故障恢复能力的要求，又进一步放大了这一问题。

对于Karmada而言，CNCF毕业更像是一个阶段性节点。它已经证明了多集群Kubernetes编排在传统生产环境中的可行性，接下来更值得观察的是，这套架构能否继续适应AI Infra中更加复杂的GPU调度、异构资源管理和跨集群任务编排需求。