Runpod bringt Docker und Network Volumes auf Enhanced CPU Pods
Runpod zufolge unterstützen die Enhanced CPU Pods jetzt Docker und Network Volumes. Das geht aus dem Titel eines Beitrags im Unternehmensblog hervor. Dieselbe Seite verweist außerdem auf aktualisierte PyTorch-Templates, eine Erklärung zu Global Volumes und einen Leitfaden zur Serverless-Abrechnung.
- Laut Titel des Runpod-Beitrags unterstützen Enhanced CPU Pods jetzt Docker und Network Volumes.
- Die PyTorch-Templates decken laut Runpod die Versionen 2.6 bis 2.13 über mehrere CUDA- und Ubuntu-Versionen ab.
- Ein neues CUDA-Dropdown im Deploy-Ablauf für Pods hilft, Templates auf GPU und Workload abzustimmen.
- Runpod zufolge werden Global Volumes wie ein Network Volume eingebunden, laufen aber auf Object Storage.
- Ein weiterer Beitrag erklärt, warum das Serverless-Guthaben sinken kann, wenn Jobs nicht abgeschlossen werden.
Enhanced CPU Pods erhalten Docker und Network Volumes
Der Beitrag von Runpod trägt die Überschrift "Enhanced CPU Pods Now Support Docker and Network Volumes". Sie deutet auf zwei Neuerungen für CPU-basierte Pods auf der Plattform hin: die Arbeit mit Docker und das Einbinden von Network Volumes.
Der auf der Seite verfügbare Text beschreibt die Änderung an den CPU Pods selbst nicht. Er nennt weder Details zur Funktionsweise der Docker-Unterstützung noch dazu, welche CPU-Konfigurationen abgedeckt sind oder wann und wo die Funktion verfügbar ist. Auch Preise werden nicht erwähnt. Diese Punkte sollten in der vollständigen Ankündigung geprüft werden, bevor jemand ein Deployment darauf aufbaut.
Aktualisierte PyTorch-Templates und CUDA-Dropdown
Die Seite hebt zudem Arbeiten an den PyTorch-Templates von Runpod hervor. Laut Unternehmen decken die Templates "now cover 2.6 through 2.13 across multiple CUDA and Ubuntu versions" ab, also die Versionen 2.6 bis 2.13 über mehrere CUDA- und Ubuntu-Versionen hinweg. Außerdem hat Runpod dem Deploy-Ablauf für Pods ein neues CUDA-Dropdown hinzugefügt.
Der erklärte Zweck des Dropdowns: Nutzer sollen "match a template to your GPU and workload", also ein Template passend zu GPU und Workload auswählen können. Für Teams, die PyTorch-Jobs auf Pods ausführen, dürfte das die Wahl einer Umgebung erleichtern, die zur gewählten Hardware passt, statt einen unpassenden Standard umgehen zu müssen.
Global Volumes und Serverless-Abrechnung erklärt
Neben der Ankündigung werden zwei weitere Beiträge angeteasert. Der erste behandelt Global Volumes, die laut Runpod nicht einfach "network volumes, but better" sind. Das Unternehmen beschreibt sie so: "Global Volumes mount like a network volume but run on object storage." Sie lassen sich also wie ein Network Volume einbinden, laufen aber auf Object Storage. Runpod ergänzt, dies "changes what you should put on them", verändere also, was man darauf ablegen sollte. Das legt nahe, dass sich die beiden Speichertypen für unterschiedliche Daten eignen.
Der zweite Beitrag erklärt, wie die Serverless-Abrechnung funktioniert, wenn ein Job nicht abgeschlossen wird. Laut Teaser geht es darum, warum das Guthaben sinken kann, obwohl nichts erfolgreich war, wie man herausfindet, wohin das Geld geflossen ist, und wie man das künftig verhindert.
Was das für Nutzer bedeutet
Für Nutzer ergeben sich vor allem praktische Erkenntnisse. CPU Pods erhalten demnach Docker- und Network-Volume-Unterstützung, PyTorch-Anwender bekommen eine größere Auswahl an Template-Versionen samt CUDA-Auswahl, und bei den Speicheroptionen schafft Runpod mit der Unterscheidung zwischen Network Volumes und Global Volumes mehr Klarheit. Wer Serverless-Workloads betreibt, findet eine eigene Erklärung zu Kosten für fehlgeschlagene Jobs.
Der Quelltext nennt keine Angaben zu Verfügbarkeit, Limits oder Kosten. Details lassen sich daher nur in den vollständigen Beiträgen von Runpod bestätigen.
RunPod: Enhanced CPU Pods Now Support Docker and Network Volumes
