一句话定义：抢占式实例（Spot Instance / Preemptible Instance）是云厂商把空闲算力打折出租、但可能随时被回收的机器；断点续训（checkpoint & resume）是训练任务定期保存状态，被回收后换台机器从最近存档继续跑。
打个比方：训练大模型像打一个超长副本。抢占式实例是便宜网吧，价格低，但老板随时可能喊你下机。你控制不了何时被赶走，但可以每过一关就存档。这个“存档”就是 checkpoint：模型权重（weights）、优化器状态（optimizer state）、学习率调度器、已训练步数、数据加载进度等。被回收后，新机器启动，先读最新完整存档，再从下一步继续，而不是从头再来。
真正让“无痛接上”成立的，是几件工程小事。第一，checkpoint 要写到对象存储（object storage）这类持久化位置，不能只放本地磁盘，否则机器一没，存档也没了。第二，保存要尽量原子化，避免写一半被中断，恢复时只认完整版本。第三，数据管道最好可重放，随机种子、数据顺序、shuffle 状态要能恢复，否则模型权重接上了，数据却换了顺序，严格说就不算完全续训。第四，要有自动编排：检测回收事件、重新申请实例、拉取镜像和代码、加载 checkpoint、继续跑。
和相邻概念的区别可以用一张表看：
| 概念 | 关键点 | 适合场景 |
|---|---|---|
| 按需/包年包月实例 | 稳定，成本高 | 关键服务、不能中断的任务 |
| 抢占式实例 | 便宜，可能被回收 | 可中断的离线训练、批处理 |
| checkpoint | 保存训练状态 | 任何长任务 |
| 断点续训 | 自动存档 + 换机继续 | 抢占式集群上的长训练 |
对 AI 从业者，这意味着可以用更便宜的 GPU 跑长训练，但要接受工程复杂度：checkpoint 太频繁，存储和 I/O 开销大；太稀疏，被回收时浪费的算力多。还要关注回收通知、实例类型分散、多可用区容错等。对普通职场人，思路同样适用：视频渲染、数据分析、批量任务可以放在可中断资源上，但重要交付别只赌一台机器。具体折扣、回收规则和通知时间，以云厂商官方页面为准。