Modal

ML の処理やモデルの API を、サーバーの管理なしで GPU に載せられるクラウドです。

skill の情報


提供元	追加インストール — `hermes skills install official/mlops/modal` で導入します
パス	`optional-skills/mlops/modal`
バージョン	`1.0.1`
作者	Orchestra Research
ライセンス	MIT
依存関係	`modal>=1.0`
対応プラットフォーム	linux, macos, windows
タグ	`Infrastructure`, `Serverless`, `GPU`, `Cloud`, `Deployment`, `Modal`

参考: SKILL.md 全文

Modal のサーバーレス GPU

Modal のサーバーレス GPU クラウドで ML の処理を動かすための案内です。

次のようなときに向いています:

基盤の面倒を見ずに、GPU を多く使う ML の処理を動かしたい
ML のモデルを、自動で増減する API として公開したい
まとめて動かす処理（学習、推論、データ加工）を回したい
待機中の費用をかけずに、秒単位で GPU の料金を払いたい
ML のアプリをすばやく試作したい
決まった時刻に動く処理（cron のようなもの）を回したい

主な特長:

サーバーレスの GPU: T4、L4、A10G、L40S、A100、H100、H200、B200 を必要なときに
Python がそのまま設定になる: YAML なしで、基盤を Python のコードで書けます
自動での増減: ゼロまで減らせて、100 GPU 以上にもすぐ増やせます
1 秒未満で立ち上がる: Rust で作られた基盤により、コンテナの起動が速いです
コンテナの使い回し: イメージの層が保存され、手直しのたびに待たされません
Web の窓口: 関数をそのまま REST API として公開でき、更新中も止まりません

こちらのほうが向いている場合:

RunPod: 状態を保ったまま長く動かしたいとき
Lambda Labs: GPU インスタンスを確保しておきたいとき
SkyPilot: 複数のクラウドをまたいで安く回したいとき
Kubernetes: 複雑で多くのサービスからなる構成のとき

すぐ試す

導入

pip install modal
modal setup  # Opens browser for authentication

GPU で Hello World


app = modal.App("hello-gpu")

@app.function(gpu="T4")
def gpu_info():
    import subprocess
    return subprocess.run(["nvidia-smi"], capture_output=True, text=True).stdout

@app.local_entrypoint()
def main():
    print(gpu_info.remote())

実行するには modal run hello_gpu.py と打ちます。

推論の窓口を作る


app = modal.App("text-generation")
image = modal.Image.debian_slim().pip_install("transformers", "torch", "accelerate")

@app.cls(gpu="A10G", image=image)
class TextGenerator:
    @modal.enter()
    def load_model(self):
        from transformers import pipeline
        self.pipe = pipeline("text-generation", model="gpt2", device=0)

    @modal.method()
    def generate(self, prompt: str) -> str:
        return self.pipe(prompt, max_length=100)[0]["generated_text"]

@app.local_entrypoint()
def main():
    print(TextGenerator().generate.remote("Hello, world"))

中心となる考え方

主な部品

部品	役割
`App`	関数や資源をまとめる入れ物
`Function`	計算資源の指定を持つサーバーレスの関数
`Cls`	起動時の処理などを持てる、クラス形式の関数
`Image`	コンテナイメージの定義
`Volume`	モデルやデータを残しておく保存領域
`Secret`	秘密の情報を安全に置く場所

実行のしかた

コマンド	説明
`modal run script.py`	実行して終わります
`modal serve script.py`	変更を反映しながら開発します
`modal deploy script.py`	クラウドに常設で置きます

GPU の指定

使える GPU

GPU	VRAM	向いている用途
`T4`	16GB	費用を抑えた推論、小さなモデル
`L4`	24GB	推論、Ada Lovelace 世代
`A10G`	24GB	学習と推論、T4 の 3.3 倍の速さ
`L40S`	48GB	推論におすすめ（費用と性能の釣り合いがよい）
`A100-40GB`	40GB	大きなモデルの学習
`A100-80GB`	80GB	とても大きなモデル
`H100`	80GB	最速、FP8 と Transformer Engine に対応
`H200`	141GB	H100 から自動で切り替わる、4.8TB/s の帯域
`B200`	最新	Blackwell 世代

GPU の書き方

# Single GPU
@app.function(gpu="A100")

# Specific memory variant
@app.function(gpu="A100-80GB")

# Multiple GPUs (up to 8)
@app.function(gpu="H100:4")

# GPU with fallbacks
@app.function(gpu=["H100", "A100", "L40S"])

# Any available GPU
@app.function(gpu="any")

コンテナイメージ

# Basic image with pip
image = modal.Image.debian_slim(python_version="3.11").pip_install(
    "torch==2.1.0", "transformers==4.36.0", "accelerate"
)

# From CUDA base
image = modal.Image.from_registry(
    "nvidia/cuda:12.1.0-cudnn8-devel-ubuntu22.04",
    add_python="3.11"
).pip_install("torch", "transformers")

# With system packages
image = modal.Image.debian_slim().apt_install("git", "ffmpeg").pip_install("whisper")

残しておける保存領域

volume = modal.Volume.from_name("model-cache", create_if_missing=True)

@app.function(gpu="A10G", volumes={"/models": volume})
def load_model():
    import os
    model_path = "/models/llama-7b"
    if not os.path.exists(model_path):
        model = download_model()
        model.save_pretrained(model_path)
        volume.commit()  # Persist changes
    return load_from_path(model_path)

Web の窓口

FastAPI の窓口をつける

@app.function()
@modal.fastapi_endpoint(method="POST")
def predict(text: str) -> dict:
    return {"result": model.predict(text)}

ASGI のアプリをまるごと載せる

from fastapi import FastAPI
web_app = FastAPI()

@web_app.post("/predict")
async def predict(text: str):
    return {"result": await model.predict.remote.aio(text)}

@app.function()
@modal.asgi_app()
def fastapi_app():
    return web_app

窓口の種類

デコレータ	使いどころ
`@modal.fastapi_endpoint()`	関数をそのまま API にする
`@modal.asgi_app()`	FastAPI や Starlette のアプリ全体
`@modal.wsgi_app()`	Django や Flask のアプリ
`@modal.web_server(port)`	任意の HTTP サーバー

自動でまとめて処理する

@app.function()
@modal.batched(max_batch_size=32, wait_ms=100)
async def batch_predict(inputs: list[str]) -> list[dict]:
    # Inputs automatically batched
    return model.batch_predict(inputs)

秘密の情報の管理

# Create secret
modal secret create huggingface HF_TOKEN=hf_xxx

@app.function(secrets=[modal.Secret.from_name("huggingface")])
def download_model():
    import os
    token = os.environ["HF_TOKEN"]

決まった時刻に動かす

@app.function(schedule=modal.Cron("0 0 * * *"))  # Daily midnight
def daily_job():
    pass

@app.function(schedule=modal.Period(hours=1))
def hourly_job():
    pass

速くするために

立ち上がりの遅さを減らす

# Modal 1.0 autoscaler params: scaledown_window (was container_idle_timeout).
# Input concurrency moved to the @modal.concurrent decorator.
@app.function(scaledown_window=300)  # Keep warm 5 min
@modal.concurrent(max_inputs=10)     # Handle concurrent requests per container
def inference():
    pass

モデルの読み込みのコツ

@app.cls(gpu="A100")
class Model:
    @modal.enter()  # Run once at container start
    def load(self):
        self.model = load_model()  # Load during warm-up

    @modal.method()
    def predict(self, x):
        return self.model(x)

並行して処理する

@app.function()
def process_item(item):
    return expensive_computation(item)

@app.function()
def run_parallel():
    items = list(range(1000))
    # Fan out to parallel containers
    results = list(process_item.map(items))
    return results

よく使う設定

@app.function(
    gpu="A100",
    memory=32768,              # 32GB RAM
    cpu=4,                     # 4 CPU cores
    timeout=3600,              # 1 hour max
    scaledown_window=120,      # Keep warm 2 min (was container_idle_timeout)
    retries=3,                 # Retry on failure
    max_containers=10,         # Max concurrent containers (was concurrency_limit)
    min_containers=1,          # Keep N containers warm (was keep_warm)
)
def my_function():
    pass

> Modal 1.0 で変わった自動増減の設定名（移行の案内を参照してください）: > - container_idle_timeout → scaledown_window > - concurrency_limit → max_containers > - keep_warm → min_containers > - allow_concurrent_inputs=N → @modal.concurrent(max_inputs=N) デコレータ

動きを調べる

# Test locally
if __name__ == "__main__":
    result = my_function.local()

# View logs
# modal app logs my-app

困ったとき

症状	対処
立ち上がりに時間がかかる	`scaledown_window` を長くし、`@modal.enter()` を使います
GPU のメモリが足りない	大きな GPU（`A100-80GB`）に変え、勾配チェックポイントを有効にします
イメージの構築に失敗する	依存関係の版を固定し、CUDA との組み合わせを確認します
時間切れになる	`timeout` を延ばし、途中経過の保存を入れます

参考資料

Advanced Usage - 複数 GPU、分散学習、費用の最適化
Troubleshooting - よくある症状と対処

参考リンク

ドキュメント: https://modal.com/docs
例: https://github.com/modal-labs/modal-examples
料金: https://modal.com/pricing
Discord: https://discord.gg/modal