Vast.ai 怎么挑机器：可靠性评分、带宽与中断风险怎么看

按价格排序，点最上面那一条 RENT，这是大多数人第一次在 Vast.ai 上租机器的动作。踩坑通常也发生在之后的一小时里：盘当初拖得太小，而官方文档写得很明白，磁盘分配在创建时就定死、之后改不了；offer 卡上的 Max Duration 只剩下不到你这轮训练需要的时长；权重往上传的时候才发现这台机的上行带宽是另一档，而带宽是按字节单独计费的。

价格那一栏没有骗你，它只是只回答了整个问题的一小部分。如果你还不清楚这个市场的基本结构，可以先看Vast.ai 是什么、适合谁用；这篇只谈一件事：offer 卡片上那一排字段，到底哪几个能当硬约束用，哪几个只是概率。

一、先把卡片上的字段分成两类

官方文档在讲 offer 卡时补了一句很关键的话：卡片上显示的所有指标，都是你租下来的那一份，不是整台机器的总量。CPU 核数和系统内存这两行是「本 offer 分到的数量／机器总量」的形式。Docker 执行环境那篇进一步说明了分配规则：CPU 基线按你占用的 GPU 比例分配，四卡机上租一卡就拿到四分之一的 CPU 基线；系统内存同理；/dev/shm 这类共享内存也按同一比例走 cgroup 自动配置。空闲时可以冲到基线以上，但争抢发生时只保证基线——内存上尤其要留神，文档直接警告超出配额用内存会有被 OOM killer 杀进程的风险。

按这个口径重新看卡片，字段自然分成两类。

硬约束类，选错了任务根本跑不起来，而且事后基本没有补救手段：

• GPU 型号与数量、单卡显存、显存带宽。显存是第一道门，跑不进去就是跑不进去，没有折中。开搜索之前先把需要多少显存算清楚，参考大模型显存怎么估算；型号之间的取舍逻辑在推理 GPU 选型里已经拆过。
• 磁盘分配。文档反复强调这一点：容器存储的大小在创建时固定、不可调整，实例销毁时数据全部丢失。默认值很小，而滑块既是搜索筛选条也是分配参数。文档给的建议是宁可估宽一点。
• 网络带宽与端口数。卡片给的是上行／下行速率和可用端口数。数据集大、要反复拉镜像或推产物的活，这一行的重要性可能超过 GPU 本身。
• PCIE 版本与通道数、主板型号、本地盘类型与读写速度。多卡互联和数据加载吃这几项。
• Max Duration，这台机器上一份租约的最长期限。文档在讲按需实例时明确列了「租约到期后，主机方可能续租也可能直接停掉实例」，并且过期实例无法重启、过期后可能被删除。跨周的活不看这一栏是自找麻烦。

概率类，它们描述的是历史与倾向，不是承诺：

• 可靠性评分（Reliability Score）
• DLPerf，Vast 自定义的深度学习性能分。文档说它的用途是让不同 GPU 的 offer 能横向比较，而不是只看裸参数——换句话说它是个近似量，用来排序候选，不用来做容量规划。
• Performance（总 TFLOPS），同理，标称峰值和你那份负载的实际吞吐不是一回事。

二、可靠性评分衡量的是过去，不是明天

文档对它的定义很短：机器历史正常运行时间与健康状况的度量。两处文档都补了同一个细节——新机器不是从零分起步，而是从一个统一的初始分开始，随着它持续证明可用性而往上爬。

这两句话合起来，评分的性质就清楚了：它是一个滞后指标。一台刚上架、零运行记录的机器，和一台跑了很久、恰好最近开始出问题的机器，分数上可能看不出差别——前者的分是「还没扣」，后者的分是「还没扣完」。历史正常运行时间这种统计量天然是往回看的，主机方所在机房今晚断不断电，它不知道。

还有一层更容易误读的地方：评分和认证状态是两根独立的轴。文档把认证层级（未认证／已认证／数据中心）描述成 Vast 团队测试与机房资质核实的结果，把评分描述成运行历史的统计；在预留实例那篇里，能让主机方被取消认证（deverified）、从而让你无罚金取回全部预付余额的，写的是「机器未能满足隐含或显式的服务等级协议」——触发点是实际发生的违约，不是分数掉到某条线以下。分数滑坡本身不构成一个状态变更事件。至于分数具体怎么算、多少算失格，官方文档没有明确说明，以控制台实际显示为准。

所以评分的正确用法不是「设一个全局门槛」，而是按租用时长和可恢复性分档：

• 跑几十分钟就结束、断了重跑代价很低的活，评分基本不用管，它带来的成本反而值得利用——文档在讲怎么找便宜 GPU 时就直说了，可靠性评分较低的机器可能给出更好的价格。
• 跨天、跨周的长任务，文档自己的建议是「先核对主机方的可靠性评分」。租期越长，你暴露在这台机器历史之外的时间就越长，评分的参考价值也越高。
• 对外提供服务、断线就是故障的活，光靠评分不够，得换一根轴去看。

三、数据中心机器和社区机器差的不只是稳定性

文档把机器分成三档：未认证的通常是新机器、尚未经过 Vast 团队测试，默认就被搜索结果过滤掉；已认证的是通过了内部测试；Secure Cloud（数据中心）这一档除了通过测试，还经 Vast 核实位于符合其机房标准的数据中心——文档给的口径是数据中心评级或 ISO 27001 这一类认证，卡片上带蓝色标签，文档明确推荐用于生产。

这个差别落到具体决策上有三处，而且都不是「稳定性高一点」这么笼统：

• 数据可见性。文档在实例管理那篇写得很直白：主机方在技术上能够访问自己机器上的文件；敏感数据应当使用经认证的数据中心，关键数据要自己做加密。云同步功能也被明确限定为只在带 Secure 标识的可信数据中心上使用。这条对涉及客户数据的活基本是一票制约束。
• IP 形态。部分实例的 IP 是动态的、会变。要固定入口，文档给的办法是搜索时按静态 IP 筛选，而不是事后补救。
• 故障归属。文档列了 Offline 状态的常见原因是断网或断电，主机方会被自动通知。个人主机方的一台游戏机和一间有值守的机房，在这件事上的恢复速度不是一个量级。

反过来说，如果你的活是一次性的批量任务、数据本身不敏感、断了重跑成本很低，坚持只挑数据中心档就是在为你不需要的保障付钱。

四、带宽和存储是单独计费项，别只盯着 GPU

Vast 的总成本由三块组成：GPU 计算、存储、带宽。文档对这三块的计费时机讲得很清楚，这里只讲机制，具体数字随市场浮动，以控制台为准：

• GPU 计算按秒计费，只在实例运行时计。镜像还在下载、状态显示 Loading 的阶段不计费。
• 存储按实例存在的时间连续计费，与是否在运行无关。也就是说，你把实例停掉、数据留着，存储仍在扣；文档还提到停机状态的存储费率可能比运行时更高。要彻底停掉存储计费，只有销毁实例。卷（Volume）是另一套独立计费的持久存储，好处是能在实例销毁后留存并重新挂载，代价是它绑在那台物理机上、不能跨机器迁移。
• 带宽按传输字节计费，上行下行都算，费率随主机方不同。文档专门提醒：在挑机器的阶段就该看带宽费率，数据密集的负载上它会显著影响总成本。

具体怎么看：卡片上的价格那一栏是 GPU 租金加上所分配存储的小时成本，把鼠标悬停在价格上，会展开 GPU、存储、带宽各自的价格明细。这个悬停动作很多人从来没做过，于是把一个三项成本当成了单价来比较。

顺带一个坑：账户余额归零时，实例会被自动停掉、GPU 被释放，正在跑的任务随之中断。文档说明，如果绑了银行卡会自动扣款续上、实例与数据保留；没有支付方式的话，实例和数据会被安排删除。长任务开跑前先确认这一条。

五、中断风险怎么量化

可中断实例走竞价：出价高的优先，被人出价超过、或者有按需请求进来时可能被暂停；暂停期间数据保留但实例不可用，优先级回来之后自动恢复。文档给可中断实例的配套要求是一组硬性动作——频繁存盘、重要产物写到云存储、代码里实现检查点、并且默认「会被打断」来设计。

把这组要求翻译成一个可量化的判据，只需要问三个问题：

1. 被打断之后，我损失多少工作量？ 有检查点、能从最近一次断点续上的任务，损失上限就是检查点间隔，风险是有界的。没有检查点的任务，损失是整段已运行时间，风险随时长线性放大。
2. 恢复是自动的还是需要人？ 可中断实例会在优先级恢复时自动继续。但如果你的恢复流程要人手动改配置、重新灌数据，那「自动恢复」这个优点就被你自己的流程吃掉了。
3. 对外有没有在等？ 有人在等一个 HTTP 响应，任何暂停都是故障；没人等，暂停只是跑得慢一点。

还有一个和中断相关但不属于竞价机制的风险：停掉的按需实例重启时，GPU 不保证还在。文档写得很清楚，实例进入 SCHEDULING 状态等待 GPU 可用，如果卡住不动，大概率是这块 GPU 已经被别人租走了，高优先级任务会挡住你的重启，极端情况可能无限等待，此时文档的建议是把数据拷到新实例。所以「停机省钱」这个直觉在 Vast 上是有代价的：省下的是计算费（存储照扣），押上的是能不能拿回同一块卡。中断场景的具体应对手法在可中断实例怎么用里有更细的展开。

六、按任务类型选租用类型

三种租用类型的定位：按需是固定价格、高优先级、在最长期限内资源有保障；预留是按需实例预付后拿折扣、优先级不变；可中断是竞价、最低成本、低优先级。文档还明确了类型转换规则——租下之后类型不能改，只有按需可以随时转预留；按需与可中断之间互转都要重建实例；预留转回按需会失去剩余折扣。这条规则意味着类型选择要在点 RENT 之前想好。

任务类型	租用类型	判据
对外推理服务	按需	有人在等响应，可用性必须有保障，暂停等于故障
跨天／跨周训练	预留	用量可预测，长期承诺换折扣，同时看重可靠性
超参搜索	可中断	单次试验可弃、可重跑，成本是主要矛盾
数据预处理	可中断	能从断点继续，天然适合分片重跑
有硬截止时间的活	按需	承担不起打断，时间成本高于价差
调试与开发	可中断	会话短、对成本敏感，人就在跟前可随时处理
稳定的长期负载	预留	用量平稳，折扣可预期

预留还有两个细节值得先知道：预付的额度锁定在那一个特定实例上、不能在主机方之间迁移；而且每次追加额度都会重新计算折扣，文档专门警告在期中补一小笔可能反而让折扣变差。

七、这个平台的 SLA 是声誉约束，不是合同约束

挑机器这件事上，最该先接受的事实是：Vast 是一个市场，硬件不是它的。文档在回答「找不到想要的机器类型」时说得很坦白——它只是市场，不管理也不提供硬件，没有货源的时候它也没什么能做的。你的租约是你和主机方之间基于该 offer 当时条款成立的合同，Vast 提供的是测试、认证、评分和一套违约后的处置机制。

违约的处置是什么？预留实例那篇给了最实的一条：机器未能满足隐含或显式的服务等级协议并被取消认证，你可以无罚金取回全部预付余额。这是个事后的、以退款为上限的补偿——它保护你的钱，不保护你的截止日期。主机方有动力维护评分和认证，因为这直接影响接单和定价（文档也说了可靠性评分高的机器价格通常更贵），但这套激励是声誉性质的，不是一份对你承诺可用性百分比的合同。

所以我的判断是：这个平台适合承担「重跑的代价你自己能算清」的工作。可以算清的，用低分机器、用可中断、用便宜地区，价差是实打实的收益；算不清的——对外服务的可用性、客户数据的合规责任、无法延期的交付日——用数据中心档加按需，或者干脆别放在这里。中间还有一大片灰色区域，判断依据只有一条你必须自己算的账：一次中断让你损失多少，与省下来的钱比，哪个更大。这笔账的长期版本（一直租下去和自己买卡）在租 GPU 还是买 GPU里单独算过，结论同样取决于你的使用率，不存在一个通用答案。

最后一句提醒：本文所有机制描述都以 Vast 官方文档的口径为准，而搜索页的筛选项、控制台的菜单和价格结构都在变。真正开始挑之前，把那台候选机器的价格悬停明细展开看一遍，比读任何一篇选型文章都管用。