LambdaComunidade
Nível de dificuldade: Básico (2 de 5)
Lambda ganha instâncias GPU para inferência serverless com vLLM e SGLang prontos
Em números
- 141 GB de memória de GPU na maior opção, a NVIDIA H200
- 8 GPUs por instância, no limite superior
- 32 GB é o tamanho máximo da imagem de contêiner OCI aceita pela função
- 60 segundos é o mínimo de cobrança por execução, com billing por segundo depois disso
O que mudou
A AWS anunciou em 18 de novembro de 2026 que o Lambda passa a suportar instâncias com GPU para Event Functions rodando em Lambda Managed Instances, a camada de instâncias EC2 que a própria AWS provisiona por trás do serviço para sustentar a concorrência das funções. Na prática, isso significa rodar inferência de GPU sem abrir um cluster de GPU próprio nem gerenciar instâncias EC2 dedicadas para isso.
As opções de hardware vêm da NVIDIA:
| GPU | Memória de GPU | Até quantas por instância |
|---|---|---|
| L4S | 24 GB | 8 |
| L40S | 48 GB | 8 |
| H200 | 141 GB | 8 |
Além da GPU, dá para escolher a configuração de CPU e memória da instância. As funções são empacotadas como imagens de contêiner OCI de até 32 GB, e a AWS disponibiliza imagens-base prontas para CUDA, PyTorch, vLLM e SGLang, os dois servidores de inferência mais usados hoje para servir LLMs open-weight como Llama ou Qwen.
Onde está disponível
O recurso está em preview em seis regiões: US East (N. Virginia), US East (Ohio), US West (Oregon), EU (Ireland), Europe (Frankfurt) e Asia Pacific (Tokyo). A região América do Sul (São Paulo), sa-east-1, não está na lista de preview. Quem roda Lambda no Brasil e quer testar GPU precisa apontar a função para uma dessas regiões, o que traz latência extra para chamadas originadas daqui.
Quanto custa
O modelo de preço é pay-per-use com cobrança por segundo, com mínimo de 60 segundos por execução, e a instância escala a zero quando não está em uso, ou seja, sem workload rodando, não há custo de GPU parada. A fonte não informa o valor em dólar por hora ou por segundo para cada tipo de GPU (L4S, L40S ou H200): a AWS ainda não publicou a tabela de preço detalhada no material disponível. Vale checar a página da AWS News Blog sobre o recurso antes de orçar um projeto.
A capacidade é provisionada por tipo de instância, de duas formas:
- reservando uma concorrência fixa, pagando por capacidade garantida
- deixando o autoscaling trabalhar entre um mínimo e um máximo de capacidade
Como começar
A fonte não traz comando de CLI nem passo a passo de console, mas descreve o fluxo de uso:
- Escolher o tipo de GPU (L4S, L40S ou H200) e a configuração de CPU e memória da instância
- Construir a função como imagem de contêiner OCI, usando uma das imagens-base prontas da AWS (CUDA, PyTorch, vLLM ou SGLang) como ponto de partida
- Definir a estratégia de capacidade na Lambda Managed Instance: concorrência reservada ou autoscaling com mínimo e máximo
- Publicar a função como Event Function, do mesmo jeito que uma função Lambda tradicional é publicada
Para quem já serve modelos com vLLM ou SGLang em EC2 ou Kubernetes, o caminho é parecido: a imagem Docker que já roda o servidor de inferência é a base da imagem de contêiner do Lambda, só trocando o entrypoint para o modelo de evento do Lambda.
O que muda para quem já usa
Para quem já tem funções Lambda em produção, o recurso não muda nada por padrão: GPU é uma opção de configuração nova, não uma mudança no comportamento das funções existentes sem GPU. O que muda é a opção disponível para workloads novos.
Até agora, uma empresa que queria inferência com GPU, seja um modelo customizado respondendo clientes, seja um agente de IA rodando uma tarefa em background, precisava montar um cluster de GPU dedicado ou usar um serviço de hospedagem de terceiros.
Why it matters: until now, a business that wanted GPU inference — a custom model answering customers, or an AI agent running a background task — had to stand up a dedicated GPU cluster, or use a third-party hosting service.AWS, anúncio oficial do recurso
Para o desenvolvedor que mantém funções Lambda hoje, o recurso abre um caminho sem precisar aprender Kubernetes nem gerenciar Auto Scaling Group de instância EC2 com GPU: o pacote é o mesmo container OCI que já se usa para Lambda, só aumentando o limite de tamanho para até 32 GB e escolhendo GPU em vez de só CPU. Quem está no Brasil e depende de sa-east-1 por latência ou por exigência de residência de dado precisa esperar a expansão de região ou testar o preview numa das seis regiões disponíveis antes de levar para produção.
Fonte: DEV Community — #aws
Serviços neste textoLambda
Na dúvida sobre qual usar?ECS, EKS ou Lambda?Três perguntas, a comparação e a nossa recomendaçãoLeve para a sua IA
Decida com o seu assistente, com o contexto deste texto já montado.
1. O que você quer saber
Ver o prompt
Li no AWS Hub: "Lambda ganha instâncias GPU para inferência serverless com vLLM e SGLang prontos" (https://awshub.com.br/noticia/lambda-ganha-instancias-gpu-para-inferencia-serverless-com-vllm-e-sglang-prontos). Resumo: Desde 18 de novembro de 2026, o AWS Lambda aceita GPUs NVIDIA L4S, L40S e H200 em preview, com imagens prontas de vLLM e SGLang para inferência. A novidade ainda não está em sa-east-1. Serviços: Lambda Minha stack: [descreva em uma linha: serviços, linguagem, volume, região] Isso muda alguma coisa na minha arquitetura? O que eu faria diferente a partir de amanhã?