Trainium 跑模型，先查这张表

最近看到 Hugging Face 上有个挺实用的 Space，专门回答一个问题：某个 Transformers 模型到底能不能在 AWS Trainium 上原样跑起来。它背后是 torch-neuronx 这个原生 PyTorch 后端，理论上 Hub 上的模型都有机会跑，但「有机会」和「真能跑」之间差着不少坑，这个工具算是把验证结果直接摊开了。

用法很直接：默认是官方精选视图，从下载量和趋势榜里挑了一批热门模型，每行给出是否跑通、模型被切分到几个 Trainium 核心、包含编译在内的实际耗时，以及峰值显存占用。想查具体某个模型，切到 Trending 或 Downloads 视图输入名字片段就行，榜单跟着 Hub 自己的排名走，按任务逐个列，没测过的模型也会显示出来。我觉得最有价值的是它不只给结论，还附上可复现的运行脚本。做推理部署的人应该都懂，光看「支持」两个字没用，编译时间、分片策略、显存峰值这些才是决定成本的东西。尤其编译耗时被单独算进 wall time，这点很实在，Neuron 的编译开销经常被低估。当然也要清醒：这是个数据集式的支持清单，不是性能基准。跑通不等于跑得快，更不等于比 GPU 划算。我的判断是，把它当成选型前的第一道筛子最合适——先确认模型不用改代码就能上，再谈迁移和调优。对已经在用 Inferentia/Trainium 的团队，这相当于省掉了大量试错；对还在观望的人，它至少让「值不值得迁」这个问题有了可查的依据。建议顺手把自己业务里的模型丢进去查一遍，比看厂商宣传页靠谱得多。