问文生视频集群推理总OOM怎么办？

SRE和运维团队在2025年维护文生视频GPU推理集群，地点为K8s加DCGM监控的生产环境，承载Wan2.1、HunyuanVideo、Mochi-1等模型，面对OOM、显存碎片、长尾排队、Pod驱逐和权重重复加载，按分级预案执行并发限流、缓存预热、降帧重试与告警闭环，记录72小时稳定性数据。