选择任务类型与资源来源
本页用于选择普通 训练任务、数据处理任务 或 训练服务，并确认普通训练任务的资源来源。确认要创建哪类任务后，进入对应文档完成创建；如果已经知道要使用哪类资源，可直接打开对应创建步骤。
按训练目标选择任务类型
- 使用包年包月资源提交训练任务：适合租户已购买固定周期 GPU 资源，并希望训练任务使用资源池中的指定 GPU 型号、Worker 规格 和 Worker 数量。进入该文档后，重点确认资源池可见、目标规格的可启动数量足够，以及训练代码已经能从共享存储读取数据并写出结果。
- 使用 Spot 资源提交训练任务：适合可以接受资源被回收、需要按库存和价格临时启动训练任务的场景。进入该文档后，重点确认目标可用区、GPU 型号、库存、价格、自动排队规则，以及训练代码是否能从 checkpoint 恢复。
- 创建数据处理任务：适合在提交训练前处理数据、生成样本索引、转换格式或做离线评估。该类型不使用 GPU，优先保障 GPU 训练任务不受影响。
- 训练服务：适合使用平台提供的服务流程微调模型。训练服务也从任务创建入口进入，但不是普通训练任务的资源来源；创建时需要选择 训练模式、准备指定 可用区 中的数据或脚本，生成训练方案 并确认费用。请查看创建 DeepSeek 训练服务或创建 HuggingFace 训练服务。
信息
普通 训练任务 会运行您自己的镜像和 启动命令；训练服务 会按平台提供的服务流程 生成训练方案、预估时长和费用。两者需要准备的信息不同。
按资源来源选择创建步骤
创建普通训练任务时，先判断资源来自哪里：
- 包年包月资源：资源来自租户已购买的资源池。创建时需要选择 资源池、Worker 规格 和 Worker 数量；如果资源不足，任务会进入排队。
- Spot 资源：资源来自平台可用的闲置库存。创建时需要选择可用区和规格，配置自动排队规则，并接受资源可能被中断回收的风险。
信息
创建页中的 Worker 规格 指单个 Worker 实际使用的 GPU、vCPU 和内存，不是资源池拥有的 GPU 总量。任务的总资源占用通常由 Worker 规格 和 Worker 数量 共同决定。需要理解资源池、规格、可启动数量和节点放置关系时，请阅读算力资源模型。
如果目标是 PyTorch DDP 多机训练，建议按以下顺序准备：
- 准备代码、数据与输出目录。
- 准备并验证容器镜像。
- 编写可靠启动命令。
- 在开发机中试跑训练脚本。
- 选择资源规格与查看排队情况。
- 编写 torchrun 启动脚本。
- 返回本页选择任务类型与资源来源并提交任务；长期或分布式训练建议在创建页的 容错 区域开启 任务运行前环境检测。
信息
开发机试跑和 任务运行前环境检测 检查的问题不同。开发机试跑用于验证训练代码、数据、依赖和第一个 batch；任务运行前环境检测 用于验证正式 Worker 上的 GPU、通信、存储和运行时环境。