dstack项目0.18.40版本发布:增强卷管理与服务配置能力
dstack是一个开源的机器学习工作流编排平台,它允许研究人员和工程师轻松地在云环境中运行机器学习任务、开发环境和应用程序。该平台通过简单的YAML配置文件即可定义复杂的工作流,并支持多种云服务提供商作为后端。
可选实例卷功能
在0.18.40版本中,dstack引入了一个重要的新特性——可选实例卷(Optional Instance Volumes)。实例卷是一种持久化存储机制,允许用户在运行之间保留特定目录的数据。现在,通过在YAML配置中添加optional: true标记,可以将实例卷声明为可选的。
volumes:
- instance_path: /dstack-cache
path: /root/.cache/
optional: true
这一改进特别有价值,因为它解决了与不支持实例卷的后端(如runpod、vastai和kubernetes)的兼容性问题。当卷标记为可选时,dstack会智能地判断后端是否支持该功能——如果支持则挂载卷,否则跳过而不影响任务执行。这对于缓存场景尤其有用,开发者现在可以编写更具可移植性的配置。
服务路径前缀配置优化
服务(Service)功能也获得了重要增强。在之前的版本中,某些Web应用(如Dash)在不使用网关时无法正常工作,原因是端点URL中包含的路径前缀/proxy/services/<project name>/<run name>/会导致路由问题。
新版本通过引入strip_prefix配置项解决了这个问题:
type: service
name: my-dash-app
gateway: false
strip_prefix: false
env:
- DASH_ROUTES_PATHNAME_PREFIX=/proxy/services/main/my-dash-app/
开发者现在可以禁用路径前缀剥离,并通过环境变量将完整前缀传递给应用程序。这一改进显著提升了dstack服务功能的灵活性,使得更多类型的Web应用能够无缝运行。
Git分支克隆策略调整
在开发环境(dev-environment)中,dstack现在默认会克隆仓库的所有分支,而不是之前的单分支策略。这一变化更符合开发者的实际需求,因为多分支访问是开发工作流的常见需求。
如果需要保持原来的单分支行为,可以通过single_branch配置项显式指定:
type: dev-environment
single_branch: true
SSH用户体验改进
对于自定义用户运行容器的场景,dstack现在提供了更流畅的SSH体验。当在配置中指定了user属性时,通过VS Code访问开发环境或使用ssh <run name>命令连接时,系统会自动以配置的用户身份登录,无需手动切换用户。
这一改进简化了多用户环境下的开发流程,使权限管理更加直观和自动化。
技术实现细节
从实现角度看,这些改进涉及dstack核心功能的多个方面:
- 卷管理系统现在能够动态判断后端能力并做出相应行为
- 服务代理层增加了路径处理的可配置性
- Git集成模块优化了克隆策略
- SSH子系统改进了用户会话管理
这些变化共同提升了dstack的灵活性、兼容性和用户体验,使其能够更好地适应各种使用场景和基础设施环境。特别是可选卷和服务路径处理功能的引入,解决了实际部署中的几个关键痛点问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00