Runpod的AI报告显示，Qwen是最常部署的自托管LLM，而Llama 4几乎没有被采用。视频生成服务如Synthesia和Runway的应用表明，优化工作负载比单次生成更为重要。整体来看，AI基础设施的使用模式趋向于性能和效率的整合。

最新安装程序已改进，支持自动下载模型和LoRAs，提升图像生成体验。当前需求至少48GB显存，正在努力降低这一要求。

IDM VTON是一款虚拟试穿应用，支持Windows、RunPod和Kaggle的自动安装，具备处理不同分辨率图像、手动遮罩和批量生成图像等功能，适合低VRAM GPU使用。

本教程介绍了如何在RunPod上设置ComfyUI以运行Flux Schnell扩散模型，包括创建网络磁盘、配置新pod、安装ComfyUI和下载模型文件。

RunPod提供经济实惠的云GPU解决方案，适合机器学习和AI开发，支持快速部署与扩展。

PaintsUndo应用程序能够模拟艺术家绘制图像的过程，生成绘制步骤和视频输出，支持低显存模式和一键安装，适用于Windows等平台。

Vast.ai和RunPod在云计算定价模型上各具特色。Vast.ai采用市场模式，提供按需、预留和可中断实例，费用结构透明。RunPod则以按秒计费为主，适合灵活需求，提供按需和竞标实例。用户选择取决于具体需求。

Lambda专注于高性能和大规模训练，适合长期稳定的工作负载；RunPod灵活性强，适合动态扩展和变化的需求。选择应根据具体操作需求。

作者在RunPod上进行了多GPU FLUX全精调/梦想间隔训练实验，使用了2个A100-80 GB GPU。作者建议使用Massed Compute而不是RunPod，因为RunPod的硬盘速度很慢。作者分享了不同配置下的训练速度和VRAM使用情况。对于多GPU FLUX Fine Tuning，使用至少80 GB GPU。使用Fused Backward Pass会减慢训练速度。使用A100 GPU可以达到2.89秒/次，使用2个A100 GPU可以达到4.1秒/次，速度提升为26%。如果速度下降保持不变，使用8个A100可能会有好处。对于多GPU FLUX LoRA训练，速度几乎线性增加。有时候会遇到性能较差的Pod。