Modal Serverless GPU

Guia completo para executar workloads de ML na plataforma GPU serverless em nuvem do Modal.

Quando usar Modal

Use Modal quando:

• Executar workloads de ML intensivos em GPU sem gerenciar infraestrutura
• Fazer deploy de modelos de ML como APIs com auto-scaling
• Executar jobs de processamento em batch (treinamento, inferência, processamento de dados)
• Precisar de preços GPU pay-per-second sem custos de ociosidade
• Prototipando aplicações de ML rapidamente
• Executar jobs agendados (workloads tipo cron)

Funcionalidades-chave:

• GPUs Serverless: T4, L4, A10G, L40S, A100, H100, H200, B200 sob demanda
• Nativo em Python: Define infraestrutura em código Python, sem YAML
• Auto-scaling: Escale a zero, escale para 100+ GPUs instantaneamente
• Cold starts sub-segundo: Infraestrutura baseada em Rust para lançamentos rápidos de containers
• Cache de containers: Camadas de imagem em cache para iteração rápida
• Web endpoints: Faça deploy de funções como APIs REST com atualizações sem downtime

Use alternativas em vez disso:

• RunPod: Para pods de execução mais longa com estado persistente
• Lambda Labs: Para instâncias GPU reservadas
• SkyPilot: Para orquestração multi-cloud e otimização de custos
• Kubernetes: Para arquiteturas complexas multi-serviço

Quick start

Instalação

pip install modal
modal setup  # Abre navegador para autenticação

Hello World com GPU

import modal

app = modal.App("hello-gpu")

@app.function(gpu="T4")
def gpu_info():
    import subprocess
    return subprocess.run(["nvidia-smi"], capture_output=True, text=True).stdout

@app.local_entrypoint()
def main():
    print(gpu_info.remote())

Execute: modal run hello_gpu.py

Endpoint básico de inferência

import modal

app = modal.App("text-generation")
image = modal.Image.debian_slim().pip_install("transformers", "torch", "accelerate")

@app.cls(gpu="A10G", image=image)
class TextGenerator:
    @modal.enter()
    def load_model(self):
        from transformers import pipeline
        self.pipe = pipeline("text-generation", model="gpt2", device=0)

    @modal.method()
    def generate(self, prompt: str) -> str:
        return self.pipe(prompt, max_length=100)[0]["generated_text"]

@app.local_entrypoint()
def main():
    print(TextGenerator().generate.remote("Hello, world"))

Conceitos principais

Componentes-chave

Componente	Propósito
App	Container para funções e recursos
Function	Função serverless com especificações de compute
Cls	Funções baseadas em classe com lifecycle hooks
Image	Definição de imagem de container
Volume	Armazenamento persistente para modelos/dados
Secret	Armazenamento seguro de credenciais

Modos de execução

Comando	Descrição
modal run script.py	Executa e sai
modal serve script.py	Desenvolvimento com live reload
modal deploy script.py	Deploy persistente em nuvem

Configuração de GPU

GPUs disponíveis

GPU	VRAM	Melhor para
T4	16GB	Inferência com orçamento limitado, modelos pequenos
L4	24GB	Inferência, arquitetura Ada Lovelace
A10G	24GB	Treinamento/inferência, 3.3x mais rápido que T4
L40S	48GB	Recomendado para inferência (melhor custo/performance)
A100-40GB	40GB	Treinamento de modelos grandes
A100-80GB	80GB	Modelos muito grandes
H100	80GB	Mais rápido, FP8 + Transformer Engine
H200	141GB	Auto-upgrade do H100, 4.8TB/s de largura de banda
B200	Latest	Arquitetura Blackwell

Padrões de especificação de GPU

# GPU única
@app.function(gpu="A100")

# Variante de memória específica
@app.function(gpu="A100-80GB")

# Múltiplas GPUs (até 8)
@app.function(gpu="H100:4")

# GPU com fallbacks
@app.function(gpu=["H100", "A100", "L40S"])

# Qualquer GPU disponível
@app.function(gpu="any")

Imagens de container

# Imagem básica com pip
image = modal.Image.debian_slim(python_version="3.11").pip_install(
    "torch==2.1.0", "transformers==4.36.0", "accelerate"
)

# Baseado em CUDA
image = modal.Image.from_registry(
    "nvidia/cuda:12.1.0-cudnn8-devel-ubuntu22.04",
    add_python="3.11"
).pip_install("torch", "transformers")

# Com pacotes de sistema
image = modal.Image.debian_slim().apt_install("git", "ffmpeg").pip_install("whisper")

Armazenamento persistente

volume = modal.Volume.from_name("model-cache", create_if_missing=True)

@app.function(gpu="A10G", volumes={"/models": volume})
def load_model():
    import os
    model_path = "/models/llama-7b"
    if not os.path.exists(model_path):
        model = download_model()
        model.save_pretrained(model_path)
        volume.commit()  # Persistir mudanças
    return load_from_path(model_path)

Web endpoints

Decorator FastAPI endpoint

@app.function()
@modal.fastapi_endpoint(method="POST")
def predict(text: str) -> dict:
    return {"result": model.predict(text)}

App ASGI completo

from fastapi import FastAPI
web_app = FastAPI()

@web_app.post("/predict")
async def predict(text: str):
    return {"result": await model.predict.remote.aio(text)}

@app.function()
@modal.asgi_app()
def fastapi_app():
    return web_app

Tipos de web endpoint

Decorator	Caso de uso
@modal.fastapi_endpoint()	Função simples → API
@modal.asgi_app()	Apps FastAPI/Starlette completos
@modal.wsgi_app()	Apps Django/Flask
@modal.web_server(port)	Servidores HTTP arbitrários

Dynamic batching

@app.function()
@modal.batched(max_batch_size=32, wait_ms=100)
async def batch_predict(inputs: list[str]) -> list[dict]:
    # Inputs automaticamente agrupados em batch
    return model.batch_predict(inputs)

Gerenciamento de segredos

# Criar segredo
modal secret create huggingface HF_TOKEN=hf_xxx

@app.function(secrets=[modal.Secret.from_name("huggingface")])
def download_model():
    import os
    token = os.environ["HF_TOKEN"]

Agendamento

@app.function(schedule=modal.Cron("0 0 * * *"))  # Diariamente à meia-noite
def daily_job():
    pass

@app.function(schedule=modal.Period(hours=1))
def hourly_job():
    pass

Otimização de performance

Mitigação de cold start

@app.function(
    container_idle_timeout=300,  # Mantém aquecido por 5 min
    allow_concurrent_inputs=10,  # Processa requests concorrentes
)
def inference():
    pass

Melhores práticas para carregamento de modelos

@app.cls(gpu="A100")
class Model:
    @modal.enter()  # Executado uma vez no início do container
    def load(self):
        self.model = load_model()  # Carrega durante warm-up

    @modal.method()
    def predict(self, x):
        return self.model(x)

Processamento paralelo

@app.function()
def process_item(item):
    return expensive_computation(item)

@app.function()
def run_parallel():
    items = list(range(1000))
    # Distribui para containers paralelos
    results = list(process_item.map(items))
    return results

Configuração comum

@app.function(
    gpu="A100",
    memory=32768,              # 32GB RAM
    cpu=4,                     # 4 cores de CPU
    timeout=3600,              # 1 hora máximo
    container_idle_timeout=120,# Mantém aquecido 2 min
    retries=3,                 # Retry em caso de falha
    concurrency_limit=10,      # Máximo de containers concorrentes
)
def my_function():
    pass

Debug

# Teste localmente
if __name__ == "__main__":
    result = my_function.local()

# Ver logs
# modal app logs my-app

Problemas comuns

Problema	Solução
Latência de cold start	Aumente container_idle_timeout, use @modal.enter()
GPU OOM	Use GPU maior (A100-80GB), ative gradient checkpointing
Falha no build de imagem	Fixe versões de dependências, verifique compatibilidade CUDA
Erros de timeout	Aumente timeout, adicione checkpointing

Referências

• Uso Avançado - Multi-GPU, treinamento distribuído, otimização de custos
• Troubleshooting - Problemas comuns e soluções

Recursos

• Documentação: https://modal.com/docs
• Exemplos: https://github.com/modal-labs/modal-examples
• Preços: https://modal.com/pricing
• Discord: https://discord.gg/modal