StreamlineAI 运行一个自定义 PyTorch 训练脚本（脚本模式），该脚本会定期生成模型检查点。他们希望使用 SageMaker 托管式 Spot 训练来降低成本。训练脚本将检查点写入 /opt/ml/checkpoints，公司将工件存储在 s3://streamlineai-checkpoints/training1/ 下。哪种配置能让托管式 Spot SageMaker 训练作业在中断后从上一个检查点恢复？

此选项正确，因为它准确描述了如何配置 SageMaker 托管式 Spot 训练以在中断后恢复。CheckpointConfig 允许您指定一个 S3 位置 (S3Uri) 和一个本地路径 (LocalPath)。SageMaker 会在 Spot 实例中断前将本地检查点上传到 S3，并在恢复时将它们下载回本地路径，从而实现无缝恢复。训练脚本必须将检查点保存到指定的 LocalPath，并在启动时加载最新的检查点。 其他选项不正确： 依靠模型工件：模型工件通常在训练作业结束时保存最终模型，而不是用于在中断期间恢复。 使用 SageMaker Debugger：SageMaker Debugger 主要用于监控和调试训练过程，而不是管理检查点恢复。 挂载 EFS 文件系统：虽然 EFS 可以提供持久存储，但它增加了复杂性，并且通常不是 SageMaker 托管式 Spot 训练检查点恢复的首选或推荐方法，因为 SageMaker 提供了内置的 CheckpointConfig 机制。