dstack

开源 AI 算力编排器，把训练任务提交到任意云或自有集群并统一管理成本。

它是干什么的

dstack 是一个开源的 AI 算力编排器。说人话：你写好训练任务，它负责把任务扔到你想用的地方去跑——AWS、GCP、Azure 这些公有云，或者你自己机房里那几台 GPU 服务器，都行。跑完之后，花了多少钱、哪个任务占了多少卡、哪家云更划算，它给你算清楚。

它要解决的问题很具体。很多团队做 AI 训练，算力散落在好几个地方：一部分在云上按需开，一部分是自购的机器，还有一部分是别人共享的集群。任务提交靠手工，成本靠月底看账单，GPU 闲着一半也没人知道。dstack 把这些收拢到一个入口，用配置文件描述任务，剩下的调度和成本归集交给它。

什么人该用它

手上有超过一个算力来源、并且训练任务不是偶尔跑一次的团队，基本都对得上。典型场景是：小团队不想被某一家云绑死，又请不起专职的平台工程师去搭一套内部调度系统；或者公司既有云上预算，也有自建卡，想让两边都能接任务。

如果你只是单机跑跑实验，或者已经有一套成熟的 Kubernetes 平台团队在维护，那 dstack 的收益没那么明显——它不是要取代 K8s，而是架在云和集群之上做任务层的编排。

用起来是什么样

核心是一个 YAML 配置文件。你在里面写清楚任务要什么资源——几张 GPU、什么型号、跑多久、用哪个镜像——然后一条命令提交。dstack 根据你配置的后端（backend）决定往哪跑：可以是云厂商的按需实例，可以是 spot 抢占实例，也可以是你自己注册进来的集群。

几个实际会碰到的点：

• 成本可见：每个任务、每次运行都记录实际开销，不用等账单出来再倒推
• 抢占实例友好：用 spot 省钱，实例被回收时任务能自动处理，不至于白跑
• 开发与生产同一套：本地调试的配置，换后端就能上云，不用重写
• 不锁死供应商：后端是可插拔的，今天用这家，明天加那家，配置里改一行

它支持主流的训练框架和容器镜像，任务本身还是你自己写的代码，dstack 管的是「在哪跑、花多少」这一层。

值不值得试

开源、自托管，代码在 GitHub 上能直接看。对算力成本敏感、又不想被平台工程拖住的团队，花半天配一个后端跑通第一个任务，就能判断它合不合你的工作流。官网 https://dstack.ai/ 上有快速开始的文档，从单机到多云都有示例配置。

常见问题

dstack 是什么？

开源 AI 算力编排器，把训练任务提交到任意云或自有集群并统一管理成本。

dstack 的官方网站是什么？

dstack 的官方网站是 https://dstack.ai/，可直接在浏览器中打开使用。