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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00