data-infra/cube-studio · 上手攻略

  • 仓库：data-infra/cube-studio
  • 链接：https://github.com/data-infra/cube-studio
  • 分类：MLOps · AI 平台
  • 作者：Tom
  • 更新：2026-08-14

这是什么

CubeStudio（立方工作室）是一款国产化、云原生的开源一站式 AI 平台，MIT 协议，开源免费商用，已在数千家企业实现私有化部署。

它的定位是 MLOps / MaaS / 算力调度 / 训推平台 的全集，覆盖从数据管理、模型训练、到推理服务的完整链路。核心功能包括：多租户算力调度、拖拉拽 Pipeline 编排、分布式多机多卡训练、超参搜索、vLLM / Ollama / MindIE 大模型推理、私有知识库、图文音多模态自动化标注，以及 AI 模型市场。

最大的差异化卖点是国产异构算力原生支持：昇腾（NPU）、寒武纪、海光（DCU）、摩尔线程、沐曦、百度昆仑芯，以及 x86 / ARM 双架构，并支持 IB / RoCE / RDMA 高速网络。

解决什么问题

企业或团队搭建 AI 平台通常面临几个痛点：

  • 技术栈割裂：数据标注、训练、推理、部署各用各的工具，维护成本高
  • 算力管理混乱：GPU 共享、独占、vGPU 没有统一调度，资源利用率低
  • 国产算力缺失：昇腾等国产芯片的支持在大多数开源平台里是二等公民
  • 部署门槛高：开源 MLOps 平台通常需要专业运维才能跑起来

CubeStudio 的答案是一站式：Web UI 覆盖全部流程，拖拉拽配置训练任务，K8s 统一调度多集群多厂商 GPU，支持从单人验证到千人并发使用的多租户规模。

快速安装

方式一：Docker 一键部署（推荐尝鲜）

⚠️ 以下命令基于 README 描述推演，docker-compose 文件路径未经实机验证，建议以仓库实际文件为准。

# 克隆仓库
git clone https://github.com/data-infra/cube-studio.git
cd cube-studio

# 启动（具体命令需参照仓库 deploy/ 目录或 wiki）
docker-compose up -d
# 或
docker compose up -d

⚠️ 不确定处：docker-compose.yml 所在具体目录（deploy/、docker/ 或根目录）未经 fetch 验证；首次启动后需初始化数据库和 Redis，具体步骤请参照仓库 Wiki 或 INSTALL.md。

方式二：Kubernetes 部署（生产环境）

平台支持多 K8s 集群管理，需提前配置好 K8s 集群和 kubectl：

# 添加集群资源配置（Web UI 中操作）
# 路径：算力调度 → 多资源组/多集群 → 添加集群

# 挂载 NFS/OSS/CephFS 等存储（存储盘管理）

硬件与依赖（生产最低建议）

组件 最低配置
GPU NVIDIA T4（16GB）× 1，或等效国产卡
CPU 8 核
内存 32 GB
存储 100 GB（训练数据另计）
K8s v1.24+（如用 K8s 部署）

核心用法

1. 创建训练任务（拖拉拽 Pipeline）

1. 打开「模型训练」→ 选择「拖拉拽任务流编排」
2. 从左侧算子面板拖入节点：数据导入 → 预处理 → 模型训练 → 模型评估
3. 连线配置依赖关系
4. 点击「调试」验证单节点
5. 点击「运行」正式执行分布式任务

支持的算子类型： - 基础算子：自定义镜像、Python 脚本、逻辑节点 - 数据同步：DataX（MySQL/PostgreSQL/ClickHouse）、HuggingFace / 魔塔数据集导入 - 特征处理：PCA、One-Hot、标准化、异常值检测、随机森林特征重要性 - 深度学习：TensorFlow、PyTorch 分布式训练（ColossalAI / DeepSpeed / Horovod / Megatron） - 大模型微调：LlamaFactory（SFT / 奖励模型 / RLHF），支持 DeepSeek / Qwen2 / ChatGLM4 / LLaMA3

2. 启动大模型推理服务（vLLM）

# Pipeline 中添加「模型服务化」算子，选择 vLLM 镜像
# 填写模型名称（如 deepseek-ai/DeepSeek-V2.5）
# 配置 GPU 数量和卡型（A100 / T4 等）
# 完成后自动生成 OpenAI 兼容 API

支持的推理后端：vLLM、Ollama、MindIE（昇腾）、xinference。

3. 超参搜索

# 在 Pipeline 中加入「超参搜索」节点
# 配置搜索空间：
search_config = {
    "learning_rate": [1e-5, 1e-3],
    "batch_size": [16, 32, 64],
    "num_layers": [6, 12]
}
# 选择搜索算法（随机 / 网格 / 贝叶斯）
# 平台自动提交分布式搜索任务

4. 数据标注（多模态）

支持的标注类型：

  • 图像：目标检测、分割、分类、OCR、关键点
  • 视频：多目标跟踪、多说话人语音分隔
  • 音频：语音识别（ASR）
  • 文本：命名实体识别、问答对、摘要
  • 自动化标注：支持视觉大模型和 LLM 自动预标注，人工只需复核，大幅降低标注成本

5. 计量计费配置

# 项目组资源配额（Web UI）
# 设置：开发资源限额 / 训练资源限额 / 推理资源限额
# 额度限制生效于：Notebook、Docker 构建、Pipeline、
#                  超参搜索、内部服务、推理服务

典型适用场景

场景 1：企业 AI 中台建设 算力纳管 + 多租户 + 计费，适合需要对外提供 AI 能力的机构（高校、算力租赁商、企业内部 AI 部门）。

场景 2：大模型微调与部署 LlamaFactory 微调链路 + vLLM 推理，一条 Pipeline 从数据到部署，适合有开源模型定制需求的用户。

场景 3：国产算力适配需求 昇腾、寒武纪、海光等国产芯片的完整适配（训练 + 推理），在信创环境中尤为重要。

场景 4：多租户标注平台 图文音多模态标注 + 质量审核流 +Webhook 触发，适合 AI 数据服务公司。

坑与注意

  1. 部署复杂度较高：CubeStudio 是功能全面的企业级平台，Docker 一键部署仅适合快速验证；正式生产需要 K8s、存储、网络等多方面运维知识，不建议个人新手直接上手生产环境。

  2. 文档语言：平台文档和 UI 主要为中文，英文资料较少，团队若以外语为主可能有一定适应成本。

  3. 国产芯片适配质量：README 声称支持多种国产算力，但各芯片驱动和算子适配成熟度不一，有实际部署经验的用户反馈有限，建议先用小任务验证再上生产。⚠️ 具体算力支持的版本和稳定性未经大规模实机核验。

  4. K8s 版本依赖：需要 K8s v1.24+，旧版本集群无法直接使用。

  5. 数据安全：平台元数据支持对接人大金仓、达梦等国产数据库，适合信创环境，但标注模块不支持这些数据库（README 明确注明），需注意。

  6. 版本更新频率：GitHub 最新 commit 为 2026 年 7 月（Wiki 最后编辑时间），但具体版本号和大版本发布节奏未公开，不确定当前稳定版本。

与同类对比

项目 CubeStudio MLflow KubeFlow OpenMMLab
定位 全链路 AI 平台 实验跟踪 云原生 MLOps 算法框架集合
分布式训练 ✅ 完整 ❌ ✅ ✅
大模型推理 ✅ vLLM/Ollama ❌ ❌ ❌
国产算力 ✅ 昇腾/寒武纪等 ❌ ❌ ❌
拖拉拽 Pipeline ✅ ❌ ⚠️ KFP ❌
多租户/计费 ✅ 完整 ❌ ❌ ❌
部署难度 中高 低 高 低
开源协议 MIT Apache 2.0 Apache 2.0 Apache 2.0

一句话结论

需要一站式 AI 平台（尤其是有国产算力或信创需求）的团队，CubeStudio 是目前开源生态里功能最完整的选项之一；个人用户或只需要单一能力（推理/训练）建议用更轻量的专用工具。

来源：GitHub README（中文原文）、CubeStudio Wiki 首页、data-infra/cube-studio GitHub 页面。Docker 部署命令基于 README 描述推演，⚠️ 未经实机核验；部署路径和初始化步骤请以仓库最新文档为准。