Slurm運用に慣れたTuringが、AWSのマネージドSlurm（SageMaker HyperPod）運用でつまずいた6つのこと

TuringのインフラチームがAmazon SageMaker HyperPodのSlurm運用で困った6件を、対処と確認結果とともに整理した。Custom AMIの初期設定省略、インスタンス追加の失敗、slurm.confの書き戻し、プロセス残存、OOMなどを扱う。対象は2026年5月から10月の同社構成での事例で、HyperPod全般の挙動とは区別している。