Lambda Labs

Lambda Labs 的核心参数与统计

Lambda Labs（2025 年起品牌简化为 Lambda，域名迁移至 lambda.ai）是少数同时覆盖云端 GPU 租赁、自有品牌 AI 工作站与超大规模 AI 工厂的基础设施提供商。其 GPU 云直接对标 AWS EC2 GPU 实例与 Azure ND 系列，但在 AI 工作负载专用化上更为彻底——不做通用计算，只服务 AI 训练与推理。

项目 公开信息
官方定位 AI 基础设施提供商（The Superintelligence Cloud）
核心业务 GPU 云实例1-Click 集群、超集群AI 工厂、深度学习工作站
GPU 型号（最新） NVIDIA VR200 NVL72, GB300 NVL72, HGX B300, HGX B200, H100 SXM, A100 SXM
GPU 型号（上一代） NVIDIA A100 SXM (80GB/40GB), Tesla V100
部署形态 云端（自服务 + 托管）+ 本地硬件
核心产品线 GPU Instances、1-Click Clusters™、Superclusters、AI Factories、Lambda Stack
目标客群 前沿 AI 实验室、 hyperscaler、企业、政府、研究机构、初创团队
合作伙伴 NVIDIA（Exemplar Cloud + 7 次年度合作伙伴）、Supermicro、Dell
安全认证 SOC 2 Type II
融资规模 累计股权融资超 $1.5B（TWG Global、USIT 等）
关键客户案例 Microsoft（数十亿美元级多年合同）、Kodiak Robotics（自动驾驶）、Hudson River Trading（量化交易）

架构定位：Lambda 不做 SaaS 平台层，而是直接提供裸金属级的 GPU 算力，上接 PyTorch/TensorFlow 等 ML 框架，下接自研的 Lambda Stack（预装 CUDA、cuDNN、NCCL 等底层库）。这意味着用户获得的是接近本地硬件的性能，但省去了数据中心运维的负担。

Lambda Labs 的用户与市场认可

Lambda 的市场认可主要体现在三个层面：

客户阵容：全球最前沿的 AI 组织直接使用 Lambda 基础设施，包括 hyperscaler（微软数十亿美元级多年合同）、前沿 AI 实验室（千亿参数级基础模型训练）、受监管行业企业（金融、自动驾驶等）以及政府机构。Kodiak Robotics 使用 Lambda 训练其自动驾驶系统 "Kodiak Driver"，28 辆无人卡车已在公共道路上运行商业货运；Hudson River Trading 在自有数据中心算力触顶后转向 Lambda。这些案例侧面验证了 Lambda 在算力弹性与可靠性上的竞争力。

行业测评：Lambda 在 MLPerf Training v6.0（2026 年 6 月）中提交了基于 NVIDIA GB300 NVL72 的 Llama 3.1 8B 训练成绩，性能相比自身上一轮提升 18.7%，同时获得了 HGX B200 上最快的 MoE 训练成绩。Lambda 也是首个在 NVIDIA HGX B200 上发布 STAC-AI™ LANG6 审计结果的云服务商，特别是在金融服务场景的 AI 推理性能上提供了第三方可验证数据。

NVIDIA 生态位：Lambda 是 NVIDIA Exemplar Cloud 合作伙伴（2025 年 10 月获得认证），连续七年获得 NVIDIA 年度合作伙伴奖项。这一认证意味着 Lambda 在 NVIDIA 最新 GPU 的供货优先级、工程支持和早期访问上拥有其他小型 GPU 云供应商不具备的优势。

分析师与媒体认可：Lambda 在投资者侧累计融资超 $1.5B，投资方包括 TWG Global 和 USIT，反映出机构资本对其技术路线和商业模型的认可。2025 年 11 月与微软达成的数十亿美元级多年合同，是 GPU 云行业中最具标志性的商业合作之一。

Lambda Labs 的成本优势

Lambda 的成本结构优势来自三层：硬件供应链、架构专用化、以及零隐藏费用策略。

GPU 云实例按小时价格对比

GPU 型号 显存 vCPU 内存 SSD Lambda 价格（$/GPU·h）
NVIDIA B200 SXM6 180 GB 208 2900 GiB 22 TiB $6.69
NVIDIA H100 SXM 80 GB 208 1800 GiB 22 TiB $3.99
NVIDIA A100 SXM (80GB) 80 GB 240 1800 GiB 19.5 TiB $2.79
NVIDIA A100 SXM (40GB) 40 GB 124 1800 GiB 5.8 TiB $1.99
NVIDIA Tesla V100 16 GB 88 448 GiB 5.8 TiB $0.79

1-Click 集群价格对比

配置 租期 GPU 数量 价格（$/GPU·h）
NVIDIA HGX B200 2 周 – 1 年 16 $9.86
NVIDIA HGX B200 2 周 – 1 年 64 $9.36
NVIDIA HGX B200 2 周 – 1 年 256+ $8.87
NVIDIA HGX B200 1 年+ 16+ 商务确认

成本结构拆解：

  • 无出站流量费：Lambda 明确标注无 egress fees，这在 GPU 云中较为少见。AWS、Azure、GCP 的 GPU 实例通常收取 $0.05-$0.12/GB 的出站流量费，对于需要频繁导出 checkpoint（动辄数百 GB）的训练场景，这是一笔可观的隐性成本。
  • 按分钟计费：实例按分钟计费，无最低消费，适合实验性训练和短周期推理负载。
  • 预留与批量折扣：1-Click 集群在 GPU 数量增加（16→64→256+）时单价下降约 5-10%，长期租约（1 年+）可获得更低价格，但需商务确认。
  • 对比 AWS：AWS p5.48xlarge（8× H100）按需价格约为 $24.96/GPU·h（需折算实例总价/8），Lambda 的 H100 单卡 $3.99/GPU·h 在按需场景下价格优势明显。但需注意 Lambda 不含标准云厂商的托管数据库、负载均衡、对象存储全家桶，它只是纯算力。

三层成本分析：

  • C 端/个人研究者：按小时租赁单卡实例，最低 $0.79/h（V100）即可开始实验，无预付费。对于尝试小规模微调或推理验证的个人来说，入门成本显著低于购买硬件。
  • 开发者/团队：按需实例适合弹性扩容；1-Click 集群适合有明确训练周期的项目团队，16 卡 B200 集群约 $9.86/GPU·h，相对按需实例溢价约 47%，但获得的是 InfiniBand 互联的专用集群。
  • 企业/大规模训练：Superclusters 需商务确认定价，从 4,000 到 165,000+ GPU 的规模，包含托管运维服务（Kubernetes/Slurm）。企业长期合同可获得显著低于按需的价格，但无公开标价。微软数十亿美元级合同是参考下限——以该量级推算，单价应在 $2-3/GPU·h 区间甚至更低。

Lambda Labs 的主要功能

Lambda 的产品线围绕 GPU 算力消费的四个层级构建，从单卡到十万卡集群，覆盖 AI 工作负载的全生命周期。

1. GPU 云实例（Instances）

自服务、先到先得的按需 GPU 实例，覆盖从单卡到 8 卡的配置。核心体验点：

  • 开箱即用：预装 Lambda Stack（PyTorch、TensorFlow、CUDA、cuDNN、NCCL），用户无需手动安装驱动和 ML 框架，实例启动后即可开始训练。
  • 实时可观测性：内置 Dashboard 和 API 可监控 GPU 利用率、内存、网络性能，支持 Prometheus/Grafana 集成。
  • 持久化存储：数据集checkpoint、输出在会话间保持挂载，上下扩容无需重新上传数据，且不产生出站流量费用。
  • 多入口管理：支持 UI、Cloud API、CLI 三种方式创建/停止/重启实例，方便集成到 CI/CD 或编排脚本中。

典型工作流：研究者上传数据集 → 选择 H100 实例 → 5 分钟内进入训练 → 使用 API 监控损失曲线 → 完成后保存 checkpoint → 销毁实例。整个过程无人工介入运维。

2. 1-Click Clusters™

面向已超越单机训练、需要分布式训练的团队。自服务预定，16-2,000+ GPU 的 InfiniBand 互联集群：

  • 网络互联：Quantum-2 InfiniBand 网络 + SHARP 加速，减少分布式训练中的通信瓶颈。
  • 托管编排：可选托管 Kubernetes 或 Slurm 编排，支持 S3 兼容对象存储。
  • 灵活租期：2 周起租，最长 1 年；支持 POC 有境快速验证。
  • 价格透明：B200 集群每 GPU 小时 $8.87-$9.86，与 GPU 数量和租期负相关。

3. Superclusters（超集群）

为前沿模型训练的专用单租户集群，规模 4,000-165,000+ GPU，是 Lambda 最高端的产品线：

  • 共享无架构：单租户、物理隔离，硬件级别安全保障。
  • 液冷高密度：集成液冷散热和高密度电源，提升每瓦算力密度。
  • 专家协同工程：Lambda 团队参与集群设计与工作负载调优。
  • 完整可观测性：Prometheus + OpenTelemetry + Grafana，或对接客户自有监控系统。
  • 全天候支持：专属专家团队 24/7 响应。

4. AI Factories（AI 工厂）

面向 gigawatt 级算力需求的模块化 AI 数据中心：

  • 模块化扩展：5-75MW 分布式站点到 75MW+ 园区，支持模块化电源和液冷热插拔升级。
  • NVIDIA 深度集成：最新 GPU 架构（VR200 NVL72、GB300 NVL72、HGX B300）的首发部署平台之一。
  • 网络架构：NVLink domain（节点内 GPU 直连）+ 无损 InfiniBand + RoCE（融合以太网 RDMA），支持混合云扩展。

5. 辅助产品与工具

  • Lambda Stack：深度学习的软件栈，预装 PyTorch、TensorFlow、CUDA、cuDNN、NCCL 及最新 NVIDIA 驱动，支持 Ubuntu 22.04/24.04。不仅云端预装，也可本地工作站手动安装。
  • Managed Kubernetes/Slurm：Lambda 负责控制面运维、节点自动恢复和监控，用户只需提交容器化工作负载或 Slurm 作业。
  • Workspaces（2026 年 6 月新发布）：帮助团队在共享 GPU 有境中组织云资源、控制访问权限，隔离开发/预发/生产有境。
  • Bare Metal Instances（2026 年 5 月新发布）：提供完整的硬件控制权（BIOS、内核参数），同时保持 API 驱动的自动化操作能力。
  • GPU Benchmarks 与 LLM Index：公开的 GPU 性能基准测试数据与 LLM 推理性能索引，辅助选型决策。

【功能协同效应】：Lambda 的产品线不仅仅是不同规模的 GPU 租赁。其真正的协同在于——同一套 Lambda Stack 软件栈贯穿云实例1-Click 集群、本地工作站，意味着用户在单卡上调试的代码无需适配即可迁移到大规模集群运行。Workspaces 和 Cloud API 进一步打通了从个人实验到团队协作再到生产部署的资源治理链路。

Lambda Labs 的模型与版本演进

Lambda 作为基础设施服务商，其"版本演进"体现在硬件代际更新、产品线扩展与服务里程碑上。

时间 里程碑 说明
2012 公司成立 由 ML 工程师 Stephen Balaban 和 Michael Balaban 在旧金山创立
~2022 GPU Cloud 上线 开始提供云 GPU 实例租赁服务
~2024-06 Hyperplane 集群发布 面向大模型训练的高带宽 InfiniBand 集群
2025-08 $1B 高级担保信贷融资 扩展 AI 工厂基础设施能力
2025-10 NVIDIA Exemplar Cloud 认证 首批获得该认证的云服务商之一
2025-10 任命 Stacey Finerman 为投资者关系 VP 强化资本运作能力
2025-11 微软数十亿美元级合同 为微软部署数万 NVIDIA GPU 的 AI 基础设施
2025-11 完成 $1.5B+ 股权融资 投资方为 TWG Global、USIT
2026-05 Bare Metal 实例发布 提供完整硬件控制权的云实例
2026-05 HGX B200 STAC-AI LANG6 审计 首个在金融 AI 场景发布可审计性能数据的云商
2026-06 Workspaces 功能发布 多有境资源隔离与访问控制
2026-06 MLPerf Training v6.0 最佳成绩 GB300 NVL72 训练成绩领先
2026-06 域名迁移至 lambda.ai 品牌由 Lambda Labs 简化为 Lambda
2026-07 VR200 NVL72 部署 推出配备 Rubin GPU 的机架级系统

演进逻辑：Lambda 的版本脉络反映了 GPU 云行业的硬件驱动特性——每次重大版本跳跃都对应 NVIDIA GPU 架构的迭代（H100 → B200 → GB300 → VR200）。同时，Lambda 在软件层从纯 IaaS 向托管 PaaS 演进（Kubernetes/Slurm 托管Workspaces、Bare Metal），表明其正从简单算力租赁向"AI 基础设施即服务"平台转型。

Lambda Labs 的技术优势

1. 专用化架构

Lambda 是纯粹的 AI 云，不做通用计算业务。这意味着其数据中心设计完全围绕 AI 工作负载优化——从电力密度、液冷散热到网络拓扑都不需要兼容传统企业 IT 需求。这带来的直接优势是每瓦算力密度更高，GPU 利用率更稳定。

机制：AI 专用数据中心可省略传统机房的冗余 UPS 配比和低密度供电设计，将更多电力预算分配给 GPU 计算节点。Lambda 的 AI Factories 采用模块化 5-75MW 设计，支持液冷热插拔，减少散热损耗。

效果：相同 GPU 规模下，Lambda 的 PUE（能源使用效率）优于改造传统数据中心而来的通用云 GPU 实例。实测数据虽未公开，但专用架构的理论效率增益在 15-25% 区间。

2. NVIDIA 优先供货与工程合作

Lambda 是 NVIDIA Exemplar Cloud 合作伙伴，连续七年获得 NVIDIA Partner of the Year。这意味着在最新 GPU（B200、GB300、VR200）的供货分配上，Lambda 比中小型 GPU 云供应商拥有更高的优先级和更大的批量折扣。

效果：Lambda 能够在新 GPU 发布后的数周内即提供云实例，而小型供应商可能需要等待数月。对于需要第一时间用上最新架构做 benchmark 或模型适配的团队，这是显著的时间优势。

3. 网络架构深度优化

Lambda 在超集群中同时部署了三种网络方案：

  • NVLink domain：节点/机柜内 GPU 直连，用于模型并行训练和通信密集型 collectives，消除 PCIe 瓶颈。
  • InfiniBand with SHARP：机柜间无损低延迟网络，支持 RDMA 和自适应路由，SHARP 在网络层面聚合归约操作，减少节点 CPU 负载。
  • RoCE v2：融合以太网的 RDMA，支持混合云和多云扩展场景。

适用场景：NVLink domain 对单机多卡训练（如张量并行）至关重要；InfiniBand 对跨节点数据并行和流水线并行必不可少；RoCE 则为弹性混合云场景提供了低成本选项。

4. Lambda Stack 一致性

Lambda Stack 是连接所有产品的"软件胶水"——云端实例预装、本地工作站可手动安装、集群有境统一管理。这意味着开发有境与生产有境之间的"配置漂移"被最小化。

隐性成本降低：一致性有境减少了"本地跑通、云端报错"的调试时间。对于依赖大量底层库（如特定版本 CUDA、Transformer Engine）的训练项目，这能节省数天到数周的有境适配工作。

Lambda Labs 的使用入口

Lambda 提供多层使用入口，覆盖 C 端到企业级需求：

入口 适用对象 典型操作路径
Web Dashboard (lambda.ai) 所有用户 注册账户 → 选择实例/集群 → 一键启动 → 通过浏览器 SSH 连接
Cloud API (docs.lambda.ai) 开发者/DevOps API Key 获取 → 脚本自动化创建/停止/重启实例 → 集成 CI/CD
CLI 工具 开发者 安装 Lambda CLI → lambda instance launch --type h100 --count 4 等命令
托管 Kubernetes 平台团队 提交 K8s 资源定义 → Lambda 管理控制面和硬件 → 用户通过 kubectl 操作
托管 Slurm HPC 团队 sbatch 作业提交 → Lambda 管理调度器和节点 → 用户无感硬件运维
商务对接 企业/政府 联系销售团队 → POC 有境验证 → 长期合同签署 → 专属集群部署

典型使用步骤（按需实例）：

  1. 访问 lambda.ai，注册账户并完成支付方式设置。
  2. 在 Dashboard 中选择 GPU 型号（如 H100 SXM）、配置（1×/2×/4×/8×）、存储容量。
  3. 实例创建后，获得 SSH 连接信息；Lambda Stack 已预装，直接使用 nvidia-smi 确认 GPU 状态。
  4. 上传数据集，启动训练脚本。通过 Dashboard 或 API 实时监控 GPU 利用率、内存、网络。
  5. 训练完成后下载 checkpoint，销毁实例停止计费。持久化存储保留数据，下次实例可挂载同一卷。

API 自动化的典型场景：

# Lambda Cloud API - 创建实例（Python 示例，需替换 API Key）
import requests

API_KEY = "<YOUR_API_KEY>"
HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}

# 启动 2× H100 实例
payload = {
    "region": "us-east-1",
    "instance_type": "gpu_h100_80gb_2x",
    "name": "training-run-1",
    "ssh_key_names": ["my-key"]
}
resp = requests.post("https://api.lambda.ai/v1/instances", headers=HEADERS, json=payload)
print(resp.json())

Lambda Labs 的产品定价

Lambda 的定价体系按产品线可拆分为三层：

按需实例（自服务）

按 GPU 型号按小时计费，按分钟计费，无最低消费，无出站流量费：

GPU 型号 时价（$/GPU·h）
NVIDIA B200 SXM6 (180GB) $6.69
NVIDIA H100 SXM (80GB) $3.99
NVIDIA A100 SXM (80GB) $2.79
NVIDIA A100 SXM (40GB) $1.99
NVIDIA Tesla V100 (16GB) $0.79

1-Click 集群（半托管）

含 InfiniBand 互联的专用集群，价格与 GPU 数量和租期负相关：

GPU 型号 GPU 数量 租期 价格（$/GPU·h）
HGX B200 16 2 周–1 年 $9.86
HGX B200 64 2 周–1 年 $9.36
HGX B200 256+ 2 周–1 年 $8.87
HGX B200 16+ 1 年+ 商务确认

Superclusters 与 AI Factories（企业）

无公开标价，需联系商务团队。定价要素包括：

  • GPU 数量（4,000-165,000+）
  • 租期（数月到数年）
  • 托管服务范围（是否包含 Kubernetes/Slurm 运维）
  • 网络与存储架构复杂度

C 端/个人研究者：V100 实例 $0.79/h 的入门成本极低，可用于原型验证和小规模微调。注意 V100 不支持 FP8/BF16，对于现代模型训练性价比不高，建议至少使用 A100。

团队/开发者：按需 H100 实例 $3.99/GPU·h 适合弹性实验；16 卡 B200 1-Click 集群 $9.86/GPU·h 适合有明确周期的团队项目。

企业级：大规模训练需走商务合同，以微软数十亿美元级合同为参考下限，推测大规模长期合同单价远低于公开标价。建议关注合同中关于 GPU 型号升级、维护窗口SLA 赔偿、以及到期续约定价保护等条款。

Lambda Labs 的应用场景

大语言模型全流程训练

从单节点 SFT/RLHF 微调（使用 1-8× H100 实例）到多节点预训练（使用 256+ GPU 1-Click 集群或 Superclusters），Lambda 的 InfiniBand 互联和 Lambda Stack 一致性有境使代码无需跨有境适配。

工程考量：单节点训练选择 8× H100 实例即可满足大多数微调需求（Llama 3 70B 全参数微调约需 8× H100，80GB 显存）。预训练 100B+ 参数模型则需 Superclusters 级别的 1,000+ GPU 集群。Lambda 在 MLPerf 上的成绩说明其网络拓扑对模型并行和数据并行都有良好支持。

弹性推理部署

B200 实例相比 H100 在推理场景有 15× 的宣称性能提升（得益于更大的显存和 FP4 支持），适用于高吞吐、低延迟要求的推理服务。Lambda 实例按分钟计费，可在流量波峰时快速扩展、波谷时缩容，配合 Cloud API 可实现自动化弹性伸缩。

自动驾驶模型训练

Kodiak Robotics 的案例展示了 Lambda 在端到端自动驾驶模型训练中的应用：需要持续处理海量路采数据、运行大规模强化学习模拟、并在每次模型更新后重放验证。Lambda 支持在单租户集群上完成全流程，数据安全通过 SOC 2 和物理隔离保障。

金融 AI 推理与回测

Hudson River Trading 选择 Lambda 扩容其量化研发基础设施，STAC-AI LANG6 审计结果提供了金融场景 NLP 推理性能的可比基准。Lambda 在金融行业的关键价值在于——单租户物理隔离满足合规要求，而托管 Kubernetes 降低 IT 运维负担。

学术研究与教学

高校实验室可使用 $0.79/h 的 V100 实例进行教学实验，$2.79/h 的 A100 实例跑硕士/博士级别的训练项目。Lambda 无需长期合同、按小时计费，适合课题制和预算审批制的科研采购流程。

Lambda Labs 的适用人群

  • 前沿 AI 实验室的研究员：需要 1,000+ GPU 集群训练基础模型，对 InfiniBand 互联和托管运维有刚需。Lambda 的 Superclusters 可提供物理隔离的专用有境，避免与其他团队争抢算力。
  • AI 初创公司的技术负责人：在自购 GPU 硬件前先用按需实例验证产品方向与训练流程，确认收敛后再 commit 大规模训练预算。1-Click 集群为中等规模训练提供比按需更优的单价。
  • 企业 AI 平台团队：负责内部模型训练与推理基础设施建设。Lambda 的托管 Kubernetes/Slurm 可减少平台团队在硬件运维上的投入，同时 SOC 2 认证降低合规审核成本。
  • 高校教授与研究生：预算有限但需要 A100/H100 级算力发表顶会论文。Lambda 的按小时计费模式允许在课题周期内灵活控制支出，V100 实例作为入门选项大幅降低试错成本。
  • 量化基金与金融科技公司：对单租户隔离、合规审计、低延迟网络有严格要求。Lambda 的 STAC-AI 审计和物理隔离架构比通用云更适合金融场景。

不适配人群与场景：

  • 需要"全家桶"云服务的企业：Lambda 只做 GPU 算力，不提供对象存储（需另行对接 S3）、托管数据库CDN、DNS 等标准云服务。需要完整云生态的团队应选择 AWS/Azure/GCP。
  • 预算敏感的个人爱好者：$0.79/h 的 V100 仍然比自行采购二手 RTX 3090 贵，且 V100 缺少 BF16/FP8 支持。如果只是尝试小型 Stable Diffusion 推理或 Keras 入门教程，Colab 免费版或 JarvisLabs 是更经济的选择。
  • 非 NVIDIA 生态的用户：Lambda 全套系基于 NVIDIA GPU，不支持 AMD ROCm 或 Intel oneAPI。如果工作流依赖 AMD GPU，需绕行。

Lambda Labs 的总结与展望

Lambda 在 GPU 云市场的定位可以概括为：不做通用云，只做 AI 算力。这一专注使其在 NVIDIA 供应链深度AI 工作负载优化和有境一致性上形成差异化竞争力，但也在服务广度上明显落后于 AWS/Azure/GCP。

当前限制与不确定项：

  • 数据中心集中在北美，亚太和欧洲的覆盖不足，对于需要低延迟全球推理部署的场景存在区域盲区。
  • GPU 云的市场竞争持续加剧，CoreWeave、RunPod、Vast.ai 等竞品在价格弹性上各有策略，Lambda 的 B200 $6.69/GPU·h 并非绝对最低。
  • 作为私有公司，Lambda 未公开详细的财务数据、客户留存率、以及超大规模集群的实际利用率。投资者需以商务尽职调查为准。
  • 域名已迁移至 lambda.ai，但原 lambdalabs.com 仍保留跳转，搜索和书签需注意同步更新。

采购/采用风险评估：

  • 试点路径：建议从按需 H100 实例开始，用 $3.99/GPU·h 验证训练流程和网络性能，确认集群的 InfiniBand 表现是否符合预期。测试周期建议 2-4 周，关注实际训练吞吐量（tokens/sec）与理论峰值的差距。
  • 扩展条件：当按需实例的月度支出超过 $10,000-20,000 时，评估切换到 1-Click 集群或预留实例的必要性。1-Click 集群的 $8.87-$9.86/GPU·h 虽然比按需 $3.99 贵，但其包含了专用 InfiniBand 网络和托管编排，对于多节点训练的整体 TCO 可能更低。
  • 企业签约前核验项：① GPU 型号升级条款——合同期内能否在下一代 GPU（如 Rubin）上市时平滑迁移；② 维护窗口与 SLA 赔偿标准；③ 数据 evacuate 方案——合同终止后从单租户集群完整安全地迁出数据；④ 交叉验证 Lambda 与 CoreWeave 在相同训练任务上的实际吞吐量和每 token 成本。

相关工具：、