AI算力编排平台
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
dstack 是一个面向 AI 基础设施的编排栈，定位为统一 GPU 供给与工作负载编排控制平面。它可连接 GPU 云、Kubernetes 以及本地集群，用 fleets、dev environments、tasks、services、volumes、gateways 等抽象管理 AI 工作负载。它不是聊天机器人或模型平台，而是服务于训练、推理和开发环境的底层工程工具。
从文本看，dstack 的核心价值在于跨后端 GPU 编排：可直接通过云 API provision GPU VM，也可接入已有 Kubernetes，或用 SSH fleet 纳管裸金属和预置 VM。开发侧支持通过 YAML 创建带 GPU 的远程开发环境，并用 VS Code 或 SSH 连接；运行侧支持任务、服务、日志、指标、事件、卷、网关等能力。文档还提供 SGLang、vLLM、NIM、TensorRT-LLM、TRL、Axolotl 等训练和推理示例，说明它更偏 AI infra/MLOps 工具链。
抓取内容未披露商业定价、SaaS 套餐或付款方式，但首页明确提供 open-source 安装，server 可通过 uv、pip 或 Docker 自部署。实际成本主要来自所使用的 GPU 云或自有资源。集成方面较强，文档列出 CLI、HTTP API、Python/REST API，并支持 AWS、Azure、GCP、Lambda、Nebius、Crusoe、Runpod、Vast.ai、Kubernetes 等多类后端，还可安装 agent skills 与 Claude、Codex、Cursor 配合编辑配置和调用 CLI。
优点是多云与本地 GPU 统一管理，降低云厂商锁定；不强制使用 Kubernetes 或 Slurm；以 YAML、CLI、API 为中心，适合自动化和平台团队。案例显示 Graphsignal 用于推理 benchmark、Toffee 用于多云推理并降低 GPU 成本、EA 用于加速 AI 项目开发。局限也明显：它对 Docker、SSH、云权限、GPU 规格和网络配置有要求，不适合无基础设施经验的个人用户；中文支持、商业服务 SLA、隐私合规细节和具体定价在抓取文本中均未说明。
dstack 适合 AI 平台团队、ML 工程师、研究团队和需要跨云调度 GPU 的企业，尤其是已有云账号或自有 GPU 服务器、希望统一开发/训练/推理流程的组织。中国访问情况文本未提供，评估为未知；若国内访问 GitHub、Docker Hub、海外 GPU 云或文档受网络影响，可能需要代理。国内替代思路可考虑 Kubernetes/Slurm/Ray、SkyPilot，或云厂商原生 GPU 与容器平台。
本测评基于公开资料整理,不构成购买建议,请以 dstack.ai 官网实际信息为准。
开源GPU调度控制面板，适合AI团队降本。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。