Merge pull request #553 from mesutoezdil/fix/blog-kai-scheduler-em-dash

fix: remove em dashes from kai scheduler blog post

Author: hami-robot[bot]

blog/hami-core-adopted-by-nvidia-kai-scheduler/index.md

@@ -156,7 +156,7 @@ The `gpu-memory` annotation accepts an **integer number of MiB** (no unit suffix
 
 :::tip
 
-This post covers the highlights. For the complete setup guide — prerequisites, installation, scheduling an isolated Pod, verifying isolation with `nvidia-smi`, and opt-out — see the [How to use KAI Scheduler with HAMi](/docs/next/userguide/kai-scheduler/how-to-use-kai-scheduler) docs.
+This post covers the highlights. For the complete setup guide (prerequisites, installation, scheduling an isolated Pod, verifying isolation with `nvidia-smi`, and opt-out), see the [How to use KAI Scheduler with HAMi](/docs/next/userguide/kai-scheduler/how-to-use-kai-scheduler) docs.
 
 :::
 

i18n/zh/docusaurus-plugin-content-blog/hami-core-adopted-by-nvidia-kai-scheduler/index.md

@@ -16,7 +16,7 @@ tags: ["HAMi", "NVIDIA", "KAI Scheduler", "GPU 共享", "硬隔离", "Kubernetes
 
 [KAI Scheduler](https://github.com/kai-scheduler/KAI-Scheduler) 是 NVIDIA 开源的 Kubernetes 原生 AI 工作负载调度器。它的前身是 Run:ai 的调度引擎，NVIDIA 于 2024 年底收购 Run:ai 后，在 2025 年 4 月以 Apache 2.0 协议开源，现已成为 CNCF Sandbox 项目。
 
-Kubernetes 默认调度器为无状态服务设计，把 GPU 当 CPU 核一样调度——每个 Pod 独占整张 GPU，没有 gang scheduling，没有团队公平性，没有拓扑感知。KAI Scheduler 正是为解决这些 AI 场景特有的调度问题而生：
+Kubernetes 默认调度器为无状态服务设计，把 GPU 当 CPU 核一样调度，每个 Pod 独占整张 GPU，没有 gang scheduling，没有团队公平性，没有拓扑感知。KAI Scheduler 正是为解决这些 AI 场景特有的调度问题而生：
 
 - **PodGroup（Gang Scheduling）**：分布式训练的多个 Pod 必须同时启动，否则全部等待。避免 7 张 GPU 被占着却跑不起来的尴尬。
 - **Queue（层级公平调度）**：按部门/团队分配 GPU 配额，支持借用和回收，实现多团队共享集群的公平调度。
@@ -142,7 +142,7 @@ spec:
       command: ["sleep", "infinity"]
 ```
 
-Pod 启动后，容器内的 `nvidia-smi` 只会显示分配到的显存，而非整张 GPU 的完整显存——资源隔离得到验证。
+Pod 启动后，容器内的 `nvidia-smi` 只会显示分配到的显存，而非整张 GPU 的完整显存，资源隔离得到验证。
 
 #### 按需关闭隔离（Opt-out）
 
@@ -151,11 +151,11 @@ Pod 启动后，容器内的 `nvidia-smi` 只会显示分配到的显存，而
 
 #### 显存数值精度
 
-`gpu-memory` 注解接受**整数 MiB**（无单位后缀）。KAI Scheduler 内部会把它换算成两位小数的 GPU 分数，再乘以 GPU 总显存得出实际强制上限。因此 `nvidia-smi` 看到的值可能与请求值略有出入——例如在 15360 MiB 的 T4 上请求 `4096`，会四舍五入为 `0.27` 分数，最终强制上限为 `4147m`。
+`gpu-memory` 注解接受**整数 MiB**（无单位后缀）。KAI Scheduler 内部会把它换算成两位小数的 GPU 分数，再乘以 GPU 总显存得出实际强制上限。因此 `nvidia-smi` 看到的值可能与请求值略有出入，例如在 15360 MiB 的 T4 上请求 `4096`，会四舍五入为 `0.27` 分数，最终强制上限为 `4147m`。
 
 :::tip
 
-本文只讲重点。完整步骤——前置条件、安装、调度隔离 Pod、用 `nvidia-smi` 验证隔离、按需关闭——见 [如何在 KAI Scheduler 中使用 HAMi](/docs/next/userguide/kai-scheduler/how-to-use-kai-scheduler) 文档。
+本文只讲重点。完整步骤（前置条件、安装、调度隔离 Pod、用 `nvidia-smi` 验证隔离、按需关闭）见 [如何在 KAI Scheduler 中使用 HAMi](/docs/next/userguide/kai-scheduler/how-to-use-kai-scheduler) 文档。
 
 :::
 
@@ -165,7 +165,7 @@ Pod 启动后，容器内的 `nvidia-smi` 只会显示分配到的显存，而
 
 | 时间 | 里程碑 | 参与者 |
 | --- | --- | --- |
-| 2025 年 4 月 | [@archlitchi](https://github.com/archlitchi) 提交 PR #60「Resource isolation design」提出资源隔离设计；NVIDIA 团队评审方案、讨论架构设计并确定分工；社区讨论敲定技术方案——KAI 负责环境变量注入，HAMi 负责资源隔离组件 | [@archlitchi](https://github.com/archlitchi)（HAMi）、[@romanbaron](https://github.com/romanbaron)、[@enoodle](https://github.com/enoodle)（NVIDIA）及双方团队与社区 |
+| 2025 年 4 月 | [@archlitchi](https://github.com/archlitchi) 提交 PR #60「Resource isolation design」提出资源隔离设计；NVIDIA 团队评审方案、讨论架构设计并确定分工；社区讨论敲定技术方案：KAI 负责环境变量注入，HAMi 负责资源隔离组件 | [@archlitchi](https://github.com/archlitchi)（HAMi）、[@romanbaron](https://github.com/romanbaron)、[@enoodle](https://github.com/enoodle)（NVIDIA）及双方团队与社区 |
 | 2026 年 4 月 | [@FouoF](https://github.com/FouoF) 提交 PR #1504，实现 GPU_MEMORY_LIMIT binder 插件 | [@FouoF](https://github.com/FouoF)（HAMi） |
 | 2026 年 5 月 28 日 | PR #1504 合并进入 KAI Scheduler 主干 | [@davidLif](https://github.com/davidLif)（NVIDIA）merge |
 | 2026 年 6 月 | [@archlitchi](https://github.com/archlitchi) 完成用户文档、e2e 测试，PR #60 通过全部 review | [@archlitchi](https://github.com/archlitchi)（HAMi） |
@@ -181,7 +181,7 @@ Pod 启动后，容器内的 `nvidia-smi` 只会显示分配到的显存，而
 
 ### 验证了 HAMi 技术路线的正确性
 
-HAMi 的核心能力——CUDA 拦截和 GPU 显存硬隔离——被 NVIDIA 官方调度器采纳，这是对 HAMi 技术成熟度的有力背书。NVIDIA 团队选择将 HAMi-core 作为 KAI Scheduler GPU 共享的资源隔离方案，而非自行开发，说明 HAMi 在这个领域的方案已经是最优解。
+HAMi 的核心能力（CUDA 拦截和 GPU 显存硬隔离）被 NVIDIA 官方调度器采纳，这是对 HAMi 技术成熟度的有力背书。NVIDIA 团队选择将 HAMi-core 作为 KAI Scheduler GPU 共享的资源隔离方案，而非自行开发，说明 HAMi 在这个领域的方案已经是最优解。
 
 ### 拓展了生态版图