AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
开源无服务器运行时,用 Python 部署和扩展 GPU 推理、沙箱与后台任务。
Beam(仓库名 beta9)是一个面向 AI 工作负载的开源无服务器运行时,提供 Python 接口来部署和扩展 AI 应用,减少基础设施管理工作。它支持无服务器 GPU 推理、隔离沙箱和后台任务队列,可自托管,也可使用其托管云服务。
推荐指数
适合想自托管或快速上线 GPU 推理与后台任务的团队,Python 接口简单,但需接受 AGPL 许可。
近 7 天
+7
新增 Star
总 Star 排名
#2398
雷达追踪的 3,958 个 AI 仓库中
创建于
2023
2023年11月15日
核心亮点
1冷启动快
自研容器运行时与调度器,README 称容器可在 1 秒内启动。
2Python 接口
用装饰器定义端点、任务队列和沙箱,无需写基础设施配置。
3弹性伸缩
默认无服务器,支持按队列深度自动扩缩容到零。
4GPU 支持
可用其云上 4090、H100 等 GPU,也可接入自有 GPU。
5可自托管
Beta9 是 Beam 云平台的开源引擎,可免费自行部署。
适用场景
模型推理服务
例如:用 @endpoint 装饰器把自定义模型部署成带自动扩缩容的推理接口。
LLM 代码沙箱
例如:创建 Sandbox 容器,远程执行大模型生成的 Python 代码并取回结果。
后台任务队列
例如:用 @task_queue 替代 Celery,处理图片并设置失败重试。
批量并行计算
例如:把任务分发到上百个容器并行执行。
它是怎么工作的
第 1 步
编写 Python 代码
用 endpoint、task_queue、Sandbox 等接口定义工作负载。
第 2 步
打包镜像
通过 Image 指定 Python 版本和依赖,构建运行环境。
第 3 步
调度到容器
自研调度器把任务分配到容器,并按需扩缩容。
第 4 步
运行与返回
容器执行任务,结果通过接口或 webhook 返回。
快速上手
- 1
安装客户端
用 pip 安装 Beam 客户端。
pip install beam-client - 2
注册账号
在 Beam 官网创建账号并完成引导。
- 3
运行示例
参考 README 中的 Sandbox 或 endpoint 示例代码。
适合谁
- 需要弹性 GPU 推理的 AI 开发团队
- 想用 Python 简化部署的后端开发者
- 希望自托管无服务器平台的运维团队
不太适合
- 不接受 AGPL 许可的商业项目
- 需要非 Python 技术栈的团队
成熟度
- 活跃度最近一次推送在 2026 年 11 月,仍在持续开发。
- 文档有独立文档站、快速开始和 Colab 示例。
- 社区约 1855 star、176 fork,50 个开放 issue,规模中等。
- 上手难度pip 安装加 Python 装饰器即可上手,自托管需更多运维工作。
同类项目怎么选
- Modal托管式无服务器平台,闭源,无需自运维。
- RunPod偏 GPU 云主机与无服务器 GPU,托管为主。
- Knative通用 Kubernetes 无服务器框架,不专门面向 AI 工作负载。
使用前注意
- · 采用 AGPL-3.0 许可,商用或修改分发前需确认合规。
- · 自托管需要自行维护容器运行时、调度器和 GPU 环境。
- · README 中的性能数据(如 1 秒冷启动)来自项目自述,未独立验证。
- · 使用其托管云 GPU 会产生费用。
