Vane

面向 AI 工作负载的高性能、多模态原生引擎

通过 Python 和 SQL 接口统一多模态数据处理、智能计算与持续学习,并从本地环境无缝扩展到 Ray 集群。

开始使用 选择你的工作负载
$ pip install vane-ai·Apache-2.0
import vane
vane.configure(runner="ray")
con = vane.connect()


assets = con.sql("""
    SELECT asset_id, uri, media_type
    FROM read_parquet('s3://raw-assets/*.parquet')
    WHERE media_type IN ('image', 'video', 'audio')
""")


features = assets.map_batches(
    DecodeAndInfer,  # user UDF; 1 model load/actor
    schema=feature_schema,  # explicit user schema
    gpus=1,
    actor_number=4,
)


features.write_parquet("s3://model-ready/features/")
基准测试

多模态推理基准测试

针对音频、视频、文档和图像工作负载,评测多模态 AI 流水线的推理性能。

Vane Data、Ray Data 与 Daft · batch_size 调优后耗时
测试环境

36 CPU cores · 64 GB RAM2080 Ti (显存改装版) · 22 GB GPU memory

文档
Ray Data32.2%更低Daft79.2%更低
图像
Ray Data35.1%更低DaftOOM
音频
Ray Data2.2%更低DaftOOM
视频
Ray Data9.8%更高Daft8.6%更低
完整基准测试
端到端耗时(秒)
batch_size 调优后 · 对数尺度 · 越低越好
Vane DataRay DataDaft
86.09127413
文档
1.15k1.77kOOM
图像
2.31k2.36kOOM
音频
7.60k6.92k8.32k
视频

本次单机测试参考了 Ray Data 多模态 AI benchmark的 workload 设计。Daft 在图像和音频 workload 中出现 OOM,可能与测试机器的可用内存有限有关;较早一代的 2080 Ti GPU 也限制了整体吞吐。受当前硬件与算力预算限制,我们尚未复现原 benchmark 的完整集群规模;这些结果仅代表所记录单机环境下的实测表现。

平台

连接数据、模型与 Agent 的多模态原生 AI 引擎

统一数据、模型与 Agent,支持持续学习,并将可扩展执行能力从本地设备延伸到 Ray 集群。

现已可用
1

Vane Data

把任意来源的数据统一成一套多模态语义

图像视频音频文本文档事件传感器表格
即将推出
2

Vane RL

跨模态训练、评估和对齐模型

RolloutTrajectoryReward训练评估
即将推出
3

Vane Agent

让 Agent 在真实场景中行动、反馈并创造价值

规划推理行动反馈记忆

反馈闭环

新数据、结果和反馈持续改进系统。

Vane Core

local runtime+Ray Runtime

统一的多模态数据语义

传感器、元数据、血缘和 model artifacts 放在同一套执行语义下。

streaming、backpressure 与 dynamic batching

大对象持续流动,批量大小随压力自动调整。

异构执行重叠调度

CPU、GPU、IO 和模型推理通过 async scheduling 重叠执行。

云边协同

同一条流水线可跨本地设备和 Ray 集群运行。

01

安装

pip install vane-ai

02

运行示例

从文档示例开始,并把流水线改造成适配你自己的数据。

03

构建 POC

使用文档示例和 llms.txt 文件,把 Vane 接入你的技术栈。

用多模态数据跑起第一条 AI 流水线