问题
- Kubernetes 不是研究者界面多数研究者需要 Notebook、SSH shell 或开发服务器，而不是资源清单、PVC 细节和服务编排。
- GPU 公平共享很难缺少基于配额的准入层时，谁声音大谁就抢到资源，排队全靠群里催。
- 模板容易变成复制粘贴每个实验室都在重复维护 CUDA、Conda、Jupyter、SSH 密钥、存储挂载和启动命令。
- 利用率和事件分散各处GPU 使用情况、排队决策、实例事件和失败原因散落在 kubectl、监控面板和日志里。
Early Access
SciFlow
面向私有研究集群的自助 GPU 计算平台。
SciFlow 为实验室和平台团队的 Kubernetes GPU 集群提供产品化入口：模板、准入、队列、工作空间、存储、镜像、日志、指标和 API，而不把 Kubernetes 暴露给研究者。
- 私有集群控制
- 配额感知队列
- 用模板替代 YAML
- 实时 GPU 利用率
- 存储与镜像复用
启动实例
PyTorch + Jupyter
立即启动
H100
A100
L40S
admission preview
policy ok模板pytorch:2.4 + jupyter
计费组织视觉实验室
GPU 规格1 × H100 (1/1)
自动停止12 小时
CPU
24 cores
VRAM
80 GB
ETA
now
痛点
研究算力不该依赖 YAML、即时消息和手动 kubectl
研究者把实验翻译成集群配置会浪费大量时间。管理员也会在公平分配和故障复盘上消耗精力。SciFlow 用一个产品界面替代这些拼凑流程。
SciFlow 解决方案
- 多租户策略平台管理员定义组织、配额、成员限制和准入规则，让 GPU 访问按策略执行。
- 研究者友好的界面研究者无需编写 YAML，即可启动模板、Notebook、终端、应用、存储和已保存镜像。
- 可观测性GPU 利用率、队列状态、日志、事件和失败原因都能在产品界面中看到。
治理结构
从平台到实验室成员，职责边界清晰
SciFlow 将集群级运维、组织策略和日常研究访问分离，避免所有权限都落到同一层。
- 平台管理员
- 负责租户、集成、GPU 库存、平台设置、价格和运维日志。
- 组织管理员
- 管理成员、邀请、组织 GPU 配额、成员限制和组织存储策略。
- 组织成员
- 启动模板，运行实例和任务，挂载存储，保存镜像并查看用量。
工作方式
从请求到运行中的工作空间
研究者路径保持简短，策略和容量检查在背后完成。
01选择
选择环境
- 组织
- 模板
- GPU 规格
- 自动停止
02准入
策略检查
- 成员关系
- 配额
- 容量
- 队列
03工作
打开工作空间
- Jupyter
- SSH
- 应用入口
- 存储
平台能力
控制台实际交付的能力
产品围绕研究者、组织管理员和平台管理员每天使用的界面组织。
控制台界面
模板目录与启动
镜像家族可选应用准入预览
界面
Launch
控制台界面
实例与任务
排队请求应用入口启动、停止、重排
工作负载
Live
控制台界面
存储与镜像
工作空间文件组织存储镜像提交
复用
Save
控制台界面
组织管理
成员邀请GPU 配额账本
范围
Lab
控制台界面
平台管理
组织GPU 规格Registry 与认证
范围
Cluster
控制台界面
报表与支持
GPU 小时Grafana 面板支持会话
状态
Trace