关键概念
这里介绍 OpenBayes 的核心概念，以及它们之间的关系。
快速理解 OpenBayes
OpenBayes 的日常使用可以抽象为 5 个核心概念：
Job：一次计算执行（训练、调试、运行服务）Serving：在线部署服务Runtime：运行环境（镜像）Resource：算力规格（CPU/GPU/内存/磁盘）Dataset：数据资产（含版本）
它们的关系可以理解为：
Job与Serving是两个执行面（开发训练面、在线服务面）Runtime与Resource是执行配置面Dataset是可复用的数据资产面
Job（算力容器执行）
在 OpenBayes 中，用户发起的一次计算执行统一抽象为 Job。
创建 Job 时，通常需要确定：
- 运行模式（
mode） - 运行时环境（
Runtime） - 算力资源（
Resource） - 数据绑定（
Dataset或其他产物）
Job 的常见模式
WORKSPACE：交互式工作空间（Jupyter）TASK：脚本任务（适合长时训练）VIRTUAL_MACHINE：虚拟机模式BATCH_WORKSPACE/BATCH_TASK：批量模式
其中，最常见的是前两种：
WORKSPACE适合调试、探索与迭代TASK适合稳定脚本的长时运行
Workspace 与 Jupyter/SSH
Workspace 不是独立系统，而是 Job(mode=WORKSPACE) 的交互形态。
运行中的 Workspace 通常提供：
- JupyterLab 入口
- SSH 连接能力（可用于远程开发）
你可以结合这两种方式完成调试与开发。
Workspace 运行中会持续占用算力并计费。完成调试后请及时关闭，避免不必要成本。
Job 端口映射
Job 支持端口映射。你可以把容器内服务映射到外部地址（如 Web UI、推理调试接口等）。
在 Job 场景中，8080 是默认对外暴露的 HTTP 服务端口，通常不需要额外配置端口映射。页面中的「API 地址」对应的就是该 8080 服务入口。
常见限制：
- 保留端口不可映射（如 22、8888 等）
- 单个 Job 支持最多 5 个自定义端口映射
更多细节见：自定义端口映射与服务暴露。
Serving（在线部署）
Serving 用于对外提供在线推理服务。
可以把它理解为“可版本化的在线服务对象”：
Serving：服务逻辑对象（名称、权限、链接、版本入口）ServingVersion：具体运行版本（runtime/resource/dataBindings/replica）
对外访问
Serving 提供对外访问链接（如 HTTP / gRPC），用户可通过域名直接调用。
访问控制（Bearer Token）
Serving 支持访问控制开关：
- 关闭时：按资源权限规则访问
- 开启后：请求需要携带 API Key
标准请求头格式：
Authorization: Bearer <API_KEY>
更多细节见：API Key 管理。
Runtime（运行时环境）
Runtime 决定“在什么环境里跑”。
通常包含：
- 框架（如 PyTorch / TensorFlow / vLLM）
- 版本
- 设备类型（CPU/GPU）
同一份代码在不同 Runtime 下可能表现不同，因此 Runtime 是可复现性的关键要素。
更多细节见：运行时环境。
Resource（算力资源）
Resource 决定“用多少资源跑”。
通常包含：
- CPU
- GPU
- 内存
- 磁盘
Resource 直接影响：
- 任务速度
- 可承载模型规模
- 运行成本
更多细节见：资源以及用量。
Dataset（数据资产）
Dataset 是可版本化的数据资产，核心价值是“可复用、可治理、可追踪”。
你可以把数据集版本绑定到 Job 或 Serving 中使用，从而避免重复上传与复制。
常见挂载目录：
/openbayes/input/input0/openbayes/input/input1/openbayes/input/input2/openbayes/input/input3/openbayes/input/input4
DataBinding（数据绑定）
绑定时常见两类语义：
- 只读绑定（推荐默认）
- 读写绑定（用于数据整理与协作维护）
此外，/openbayes/home 是 Job 的工作目录，适合保存本次执行的产物。
推荐工作流
- 用
Workspace(Job)做交互式开发与调试（Jupyter/SSH） - 用
Task或批量模式执行稳定训练任务 - 基于训练产物或数据仓库创建
Serving - 按需开启访问控制，使用
Bearer API Key对外提供服务