产品介绍

产品定位

Rise 智算平台面向企业级 AI 算力场景，帮助算法团队、运维团队与平台运营团队高效管理异构 GPU 算力、模型服务、数据资产与成本。

AI 算力需求持续增长，企业普遍面临 GPU 资源利用率低（直通模式整卡独占）、弹性不足、多厂商硬件生态碎片化、无法统一调度管理等痛点。Rise 智算平台通过「软件定义 GPU 算力」的理念实现算力资源池化，提供跨厂商、中立化的异构算力统一管理与动态交付能力。

Rise 智算平台默认包含四个产品模块，本文档的功能介绍涵盖全部模块能力：

模块	定位
Rise VAST	算力池化底座：异构 GPU 显卡的切分与超分、异构算力资源监控，统一纳管国内外主流 GPU/NPU 计算卡
Rise CAMP	算力管理平台（Console）：基于池化算力的资源调度与管理界面，本文档介绍的用户界面与管理后台两套控制台由它承载
Rise ModelX	模型管理：模型市场与模型广场，支持自定义上架/下架、一键部署（vLLM/SGLang/MindIE 等引擎）、调用量与 Token 多维统计
Rise Router	大模型 API 网关：统一接入不同厂商、不同框架的模型服务，对外提供统一 API，支持智能路由、服务降级、灰度发布、限流配额与多租户鉴权

我能用 Rise 智算平台做什么

角色	典型场景
算法工程师	申请 GPU 算力、运行 Jupyter/VS Code 开发环境、提交分布式训练与微调任务、部署推理服务。
数据工程师	创建数据集、执行数据清洗与增强、准备训练语料。
AI 应用开发者	在模型广场发现模型、一键部署、在线体验、调用推理 API。
项目/租户管理员	管理团队与项目、配置配额与资源池、查看资源与任务运行状态。
平台运维	纳管 K8s 集群、配置告警规则与值班、监控 GPU/节点/任务状态。
平台运营/财务	分析租户资源成本、Token 调用成本、API 渠道成本，制定计费策略。

两套控制台界面

Rise 智算平台按使用角色拆分为两套入口，登录后看到的顶部导航和左侧菜单会有所不同：

入口	地址	主要使用者	核心能力
智算开发平台	/camp/login	算法工程师、数据工程师、AI 应用开发者	我的工作台、算力服务、模型开发、数据管理、AI 资产、大模型服务在线体验
管理后台	/camp/admin/login	项目/租户管理员、平台运维、平台运营/财务	AI 智算管理（工作空间/项目/成员/资源/策略）、计量计费、告警中心、平台与集群管理、K8s 集群管理

同一套账号体系可以分别登录两个入口；具体能看到的菜单由账号所属角色与权限决定。普通用户登录智算开发平台后通常只能管理自己的任务与服务；管理员登录管理后台后可查看并管理多个工作空间、项目与集群资源。

产品优势

1. 中立化 GPU 资源管理：跨厂商异构 GPU 算力资源池化管理，支持资源调度、网络拓扑感知调度、多集群调度、在离线混部，大幅提高算力利用率。
2. 灵活的算力管理策略：支持 NVIDIA、昇腾、昆仑芯、天数、沐曦、燧原等卡的拓扑感知调度；优先级系统保障关键任务；分布式调度器支撑大规模批量化训练与推理。
3. 多集群多租户体系：工作空间/项目维度的算力配额灵活分配；同一资源池可由不同节点上的特定卡组成异构资源池；多集群统一管理，管控与计算分离。
4. GPU 资源超分能力（NVIDIA/昇腾/昆仑芯）：算力超分与显存超分（虚拟显存）在提升资源利用率的同时保障任务稳定性与整体吞吐。
5. 增强的安全与隔离：用户数据与计算任务安全隔离，RBAC 多级权限、全量操作审计、API Key 调用管控。
6. 高可用架构：故障自愈、组件多副本部署、滚动升级零停机。
7. 全面的性能监控：GPU 算力/显存分配率与使用率、温度、功率等指标的实时采集与趋势展示。
8. 多维度精确计量计费：资源类（CPU/内存/GPU）、物理设备类（节点/显卡）、模型类（平台/租户/用户调用、Token）三大计费维度，支持账单明细与报表导出。
9. 模型统一管理：商业与开源模型统一上架/下架、一键部署、Token 计量计费，覆盖模型开发、训练微调、服务部署到运营的完整生命周期。
10. MCP 智能分析：内置 AI 助手，以问答形式查询平台信息、分析日志，并具备图表可视化能力。

产品功能

平台涵盖从硬件到应用的全流程管理：底层支持 NVIDIA、昇腾、海光、寒武纪等异构算力，通过 GPU 池化管理提升资源利用率；上层提供算力调度、任务编排、模型管理等能力，支撑各领域的 AI 应用；并通过算力监控、计量计费实现高效运维和智能运营。

异构资源池化

• 基础资源纳管：通过 License 授权模式统一纳管 NVIDIA、昇腾、海光、寒武纪、天数智芯等计算卡；纳管后可按虚拟化切分、超分、整卡直通等多种形态交付。未纳管的 GPU 资源也可接入平台查看基础使用情况。
• 资源池化管理：抽象各厂商 GPU 虚拟化技术，在统一管理界面完成算力资源的池化与分配；资源池支持按节点、按卡两个维度灵活划分。
• 资源限额管理：租户管理（面向 AI 开发团队）与资源池管理（面向 GPU 运维）双层模式，将一类或多类计算卡划分为逻辑资源组，为不同部门/团队约束算力与显存使用范围。

任务调度管理

• 算力规格管理：自定义标准化算力规格（GPU 卡型号、共享/独占模式、vCPU 架构与数量、vGPU 算力/显存），用户在创建推理和训练任务时直接选用。
• AI 开发管理：容器实例、分布式训练、推理服务三类任务的全生命周期管理，覆盖创建（算力分配、启动参数、镜像/存储配置）、启动、挂起、恢复、关机与资源释放。
• 智能调度：三层协同机制打通多元算力全生命周期——资源抽象层对接各厂商 Device Plugin，将 GPU/DCU/NPU 等异构设备统一抽象为标准算力单元；智能调度层提供拓扑感知（NVLink、多芯互联亲和性）与分级抢占（Volcano 优先级队列，保障推理 SLA、闲时释放给训练）；动态适配层通过弹性资源配额按硬件类型调整超卖比例。调度算法支持先来先服务、最短作业优先、高优先级优先，并支持节点级/显卡级的分散或紧凑调度。

资源集成管理

• 镜像库管理：接入 Harbor 等镜像仓库，管理操作系统、容器、PyTorch/TensorFlow 等常用基础镜像及版本，支持仓库地址、凭据、权限、启用/禁用管理。
• 存储服务管理：接入 NFS、JuiceFS、Local 等存储引擎，管理容量、访问模式、静态/动态供给，以及数据存储的挂载路径、权限与启用状态。
• 资源容量观测：面向集群、资源池、节点的容量观测，覆盖物理 GPU 与 vGPU 设备，报表化展示任务分配/使用状态。

模型管理

• 模型体验与模型广场：支持自定义模型上架/下架；模型卡片按名称、推理引擎、任务场景、上下文长度、提供方、芯片厂商等多维度筛选；从模型卡片一键部署并在线问答体验。
• 模型部署：支持 vLLM、SGLang、MindIE 等推理引擎；模型与规格、引擎联动校验，自动屏蔽不可用组合；支持部署模板与自定义引擎启动参数；推理服务支持按负载动态扩缩容与定时扩缩容；可指定特定用户访问特定模型。
• 模型网关（Rise Router）：将不同厂商、不同框架的模型服务统一接入，对外提供统一 API，屏蔽底层模型差异；按请求内容、用户、业务标签智能路由；支持服务降级（故障时切换到降级模型）、A/B 测试与灰度发布；按用户、按模型的 QPS 限流与并发配额控制；多租户独立访问凭证隔离。
• API Key 管理：密钥的创建、分发、更新、禁用与审计；完整调用日志（调用时间、调用方、请求参数、耗时、状态码）与按时间范围筛选；支持全局关闭 API Key 调用方式与匿名访问开关。

多租户体系

• 租户与项目管理：租户创建与资源概览（CPU/内存/共享/独享 GPU 配额的分配与使用）；项目维度协作，任务创建时绑定项目；成员批量添加与角色分配。
• 租户配额：CPU、内存总量配置；GPU 共享/独享模式、卡类型（厂商及型号）、超配比，以及 vGPU 总数与算力/显存配额。
• 资源回收：按显存利用率、算力利用率、持续时间等维度，对实例、训练任务、推理服务执行自动回收。
• 灵活算力区：同一资源池可由不同节点上的特定卡组成异构资源池；任务按业务需求、适配卡型、价格选择对应算力区；支持按集群/租户设置差异化定价并统一结算。

运维与运营

• 统一观测：从 GPU 设备层到 K8s 任务层的全链路透视——设备层真实负载采集（SM 算力时间片占比、显存占用、板间通信流量）、任务-GPU 绑定拓扑下钻、平台级健康全景（利用率水位、碎片率、故障卡分布）、阈值告警与故障卡自动隔离、告警分级通知与处置闭环。
• 资源监控告警：集群、资源池、节点、vGPU 设备健康状态与 AI 任务运行状态监控；NVIDIA/昇腾详细故障码分级告警（严重/高/中/低），精细化掌控显卡状态。
• 计量计费：资源类（CPU/内存/GPU，分钟级计量）、物理设备类（节点/显卡）、模型类（平台/租户/用户调用与 Token）多维计费策略；实时账单明细、历史汇总、成本趋势与占比分析、报表导出。

安全管理

• RBAC 多级权限体系与全量操作审计。
• MFA 多因素认证与高危操作二次验证（登录、数据删除、权限变更等关键操作），保障企业核心资产与操作合规。

适用场景

推理场景

行业	典型应用
金融	银行交易风险实时分析（结合历史行为模式识别洗钱/欺诈）；证券量化投资预测（毫秒级分析海量舆情与行情数据）。
制造	产线零部件外观检测（批量高清图片并行推理，高准确率识别划痕、锈斑）；设备预测性维护（7×24 小时分析振动、温度传感器数据，提前预判故障）。
能源	风电场机组声纹/转速实时分析，毫秒级异常保护；地质勘探中几十 TB 反射波数据的并行处理与 3D 地质结构重构。
医疗	CT 影像快速重建与多维数据分析；抗癌药物研发中的蛋白质折叠大规模并行计算；心电图等高优先级任务的算力抢占保障。
自动驾驶	车辆、行人、道路传感器数据的实时融合推理，毫秒级响应。
通信	「中训边推」四级架构：总部统一资源统筹与模型市场、省中心模型调试与训练、边缘轻量化模型低延迟推理、设备端海量异构设备管理，形成「数据本地化—模型区域化训练—边缘实时推理—设备端执行」全链路闭环。

训练场景

企业专有大模型训练：训练期间通常需要调用几百到几千张 GPU 卡执行大规模分布式训练。未使用平台前，算力分配和调用策略依赖手工或脚本，效率低、出错率高；使用 Rise 智算平台后，可实现千卡级 GPU 资源下分布式任务的自动化分配与调度，通过调度策略和队列优先级设定，大幅减少任务部署与资源调度工作量，获得标准化、自动化的算力资源管理能力。

详细技术架构与组件清单见 产品架构，运行环境要求见 运行环境，核心概念释义见 基本概念。