Modal发布VM Sandboxes与Clusters等多项Runtime更新
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载VM 沙箱给智能体整机
Modal 在首届 Runtime 大会上公布了一批运行时产品更新，其中 VM Sandboxes 让智能体拿到一台完整的 Linux 计算机。官方给出的理由是，智能体越来越希望待在一个像真实机器的环境里：跑 Docker 栈、本地数据库和开发服务器、图形界面与移动模拟器，甚至直接折腾 Linux 内核。这一能力已经在 Linear、Legora 和 Snorkel 等客户处投入使用，支撑编码类智能体与评测任务。从示例代码看，调用方式是在应用上创建沙箱并指定 runtime 为 vm，随后执行命令读取输出，返回结果里能看到内核标识。对读者而言，这意味着智能体不再局限于受限的进程或函数环境，而是可以按接近真机的方式安装依赖、启动服务、调试系统层行为，适合需要完整操作系统语义的编码与评测场景。
边车容器隔离凭据
Sandbox Sidecars 的思路是在同一台宿主机上，让边车容器与主沙箱并行运行，但保持与独立沙箱相同的隔离级别。这样安排之后，智能体生成的代码留在主沙箱里执行，而凭据、代理、编排逻辑以及其他需要信任的操作，则放进智能体无法直接访问的边车中。由于两个容器共享同一台主机，它们之间的通信停留在本地，省去了网络往返，这在执行密集的智能体循环里会不断累积成可观的延迟。对使用者来说，这一设计把不可信代码与敏感信息分开，同时不牺牲调用速度，适合需要频繁调用外部服务又必须保护密钥的智能体工作流。
多节点集群正式可用
Modal Clusters 是团队打磨了一年半的多节点集群原语，如今通过单个装饰器即可正式使用。它面向需要多个协同容器共同完成的任务，例如服务或训练参数规模达到万亿级的模型。官方提到，这一能力已经在 Decagon 的后训练、1x 的预训练以及 Runway 的实时推理中承担负载。与单容器方案相比，集群把计算扩展到多节点协调的层面，适用范围是那些单机放不下、又需要容器间紧密配合的训练与推理作业；限制在于它解决的是跨节点编排问题，并不替代前述沙箱或边车在隔离与凭据保护上的作用。
会话粘滞与端点候选
Sticky Sessions 让某个客户端的交互始终落在同一个正在运行的容器上，应用因此可以跨请求保持状态。做法是在应用请求中带上会话令牌，从而保证路由回最初启动的那个容器，给终端用户带来重连不中断的体验。对于语音模型服务这类实时场景，容器路由的速度很关键。Endpoint Candidates 则用于优化推理服务器：把生产流量镜像到另一套服务配方，再进行比较。两项目标不同，前者解决状态延续，后者解决配方验证，读者可以据此判断自己的实时服务是否需要固定路由，以及是否需要在真实流量下评估替代方案。
为什么值得看
为AI智能体提供完整系统环境与多节点集群能力，直击编码代理执行与大规模模型训练推理痛点。
信源1 家
关键事实
相关 · 产品
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。