data-infra/cube-studio

¿Qué es?

Funciones clave

• 01Editor de pipelines con función de arrastrar y soltar para crear DAG, con ejecuciones programadas, relleno retroactivo, límites de concurrencia, tiempos de espera y dependencias entre instancias.
• 02IDE en línea (JupyterLab, VSCode, RStudio) con kernels multilenguaje, TensorBoard, integración con Git y acceso remoto por SSH.
• 03Etiquetado de datos de imagen, texto, audio y datos multimodales, además de etiquetado automático mediante modelos de visión y LLM.
• 04Entrenamiento distribuido con TensorFlow y PyTorch, con integración de DeepSpeed, Megatron, Colossal-AI, Horovod, MPI, MindSpore y PaddlePaddle.
• 05Búsqueda de hiperparámetros basada en NNI en máquinas individuales o clústeres, con una vista gráfica de los resultados de cada prueba.
• 06Publicación de inferencia sin escribir código para modelos ML, TF, PyTorch, TensorRT, ONNX y LLM, con lanzamiento canario, división del tráfico, limitación de tasa, escalado automático y reversión.
• 07Compatibilidad con modelos grandes: serving con vLLM/Ollama/MindIE/Xinference, SFT con LLaMA-Factory, entrenamiento de modelos de recompensa y RL, además de evaluación y poda con OpenCompass.
• 08Planificación de cómputo entre clústeres y grupos de recursos, con virtualización vGPU, modos de tarjetas compartidas o exclusivas, estrategia binpack y RDMA.
• 09Mercado de modelos AIHub con más de 400 modelos preentrenados que ofrece despliegue, desarrollo en Notebook y pipelines de ajuste fino con un solo clic.
• 10Monitoreo y alertas mediante dashboards de Prometheus/Grafana que muestran métricas de GPU, pods y carga de vGPU, QPS, rendimiento y tokens, con notificaciones por correo electrónico, WeCom, DingTalk o Feishu.

Casos de uso

• Organizaciones que necesitan una plataforma de IA local, con aislamiento multi-tenant y su propio conjunto de recursos de cómputo.
• Equipos que ejecutan entrenamiento o inferencia en aceleradores nacionales como Ascend, Hygon, Cambricon o MetaX por motivos de cumplimiento normativo.
• Equipos de algoritmos que buscan un proceso estandarizado para pasar de la experimentación al despliegue de modelos, en lugar de depender de scripts improvisados.
• Equipos que crean bases de conocimiento privadas, chatbots o aplicaciones AIGC basadas en LLM alojados por cuenta propia.
• Grupos que necesitan combinar la anotación de imágenes, texto y audio con el preetiquetado automatizado.
• Operadores de plataformas que ofrecen alquiler de recursos de cómputo, medición del consumo y retransmisión de tokens a usuarios internos o externos.

Antes de usarlo

• !Se ejecuta en Kubernetes, así que necesitas un clúster antes de poder usarlo.
• !El README indica MIT, pero la licencia que aparece en la lista no está verificada. Revisa el archivo LICENSE antes de usarlo con fines comerciales.

Temas

Preguntas frecuentes

¿Qué es cube-studio?

Plataforma MLOps nativa de la nube sobre Kubernetes: notebooks, pipelines con editor visual, entrenamiento distribuido y serving de LLM. CubeStudio es una plataforma nativa de la nube basada en Kubernetes que abarca todo el ciclo de vida del machine learning en un solo lugar: ingesta y etiquetado de datos, desarrollo desde el navegador, entrenamiento, gestión de modelos y despliegue de inferencia. Su objetivo declarado es evitar que los ingenieros de algoritmos dediquen su tiempo a solicitar máquinas, preparar entornos, descargar datos y escribir scripts de despliegue desde cero.

¿cube-studio es gratuito? ¿Qué licencia tiene?

cube-studio es open source bajo la licencia Other. Revisa los términos de la licencia antes de usarlo en productos comerciales.

¿cube-studio sigue mantenido?

Mantenimiento activo. El último commit de cube-studio fue el 12 oct 2026.

¿Para qué puedo usar cube-studio?

Organizaciones que necesitan una plataforma de IA local, con aislamiento multi-tenant y su propio conjunto de recursos de cómputo. Equipos que ejecutan entrenamiento o inferencia en aceleradores nacionales como Ascend, Hygon, Cambricon o MetaX por motivos de cumplimiento normativo. Equipos de algoritmos que buscan un proceso estandarizado para pasar de la experimentación al despliegue de modelos, en lugar de depender de scripts improvisados. Equipos que crean bases de conocimiento privadas, chatbots o aplicaciones AIGC basadas en LLM alojados por cuenta propia. Grupos que necesitan combinar la anotación de imágenes, texto y audio con el preetiquetado automatizado. Operadores de plataformas que ofrecen alquiler de recursos de cómputo, medición del consumo y retransmisión de tokens a usuarios internos o externos.

¿Dónde consigo cube-studio?

El código fuente y las instrucciones de instalación están en GitHub: https://github.com/data-infra/cube-studio