用途：Modal 是面向机器学习负载的无服务器 GPU 云平台，适合在无需管理基础设施的前提下运行 GPU 密集型任务、把模型部署为自动扩缩容 API、执行训练/推理/数据处理等批处理作业、按秒计费避免空闲成本、快速原型开发以及运行定时任务。资料称其支持按秒计费、缩容到零并可瞬时扩展到 100+ GPU，基于 Rust 的基础设施带来亚秒级冷启动与镜像层缓存。
主要能力：提供 T4、L4、A10G、L40S、A100、H100、H200、B200 等按需 GPU；以 Python 原生方式定义基础设施，无需 YAML；支持自动扩缩容、Web 端点（REST API、零停机更新）、持久化存储 Volume、密钥 Secret、动态批处理、定时调度与并行 map 处理。核心组件包括 App、Function、Cls、Image、Volume、Secret。
使用方式：安装并认证：pip install modal；modal setup。运行方式有 modal run script.py（执行后退出）、modal serve script.py（开发热重载）、modal deploy script.py（持久化云端部署）。GPU 可通过 @app.function(gpu="A100")、gpu="H100:4"、gpu=["H100","A100","L40S"] 或 gpu="any" 指定。镜像可用 modal.Image.debian_slim().pip_install(...) 或 from_registry 构建。Web 端点可用 @modal.fastapi_endpoint()、@modal.asgi_app()、@modal.wsgi_app()、@modal.web_server(port)。
适用场景与限制：适合无状态或可容器化的 ML 工作负载；若需要长时间运行且保持状态的 pod、预留 GPU 实例、多云编排与成本优化或复杂多服务架构，资料建议改用 RunPod、Lambda Labs、SkyPilot 或 Kubernetes。常见问题包括冷启动延迟、GPU 显存不足、镜像构建失败与超时，可通过增大 container_idle_timeout、使用 @modal.enter()、选用更大 GPU、固定依赖版本与增加超时等方式缓解。具体收费价格、各 GPU 实际性能数据与配额限制暂未提供。