來源Vercel News•較早收集於 23h
Vercel Functions 現已支援高達 5GB 的套件大小
#serverless#cloud-deploymentvercel-functionsvercelpythonnode.js
直接在 Vercel 上部署大型 AI 模型與數據函式庫，不再受限於過去 250MB 的容量瓶頸。
30 秒速覽
有什麼變化
套件大小限制從 250MB 提升 20 倍至 5GB。
為什麼重要
這消除了 AI 開發者的一大瓶頸，過去他們必須使用外部容器服務來處理繁重的依賴項目。現在允許模型與大型二進位檔案直接存在於函數環境中，簡化了無伺服器 AI 應用的架構。
下一步行動
在專案設定中啟用 VERCEL_SUPPORT_LARGE_FUNCTIONS 環境變數，即可部署如 PyTorch 或 Pandas 等大型 AI 函式庫，無需額外的容器化處理。
誰應關注：Developers & AI Engineers
關鍵要點
- •套件大小限制從 250MB 提升 20 倍至 5GB。
- •支援大型 Python AI 函式庫與數據科學依賴項目。
- •透過 VERCEL_SUPPORT_LARGE_FUNCTIONS 環境變數啟用。
- •標準函數維持 250MB 限制，僅大型函數使用測試版容量。
深度解析
本篇為 AI 生成分析，非原文內容。
增強重點摘要
- •此項更新利用了 Vercel 底層基礎設施的優化，透過將函數部署與容器化技術更緊密結合，實現了對大型二進制檔案的支援。
- •大型函數（Large Functions）在冷啟動（Cold Start）時間上可能會因套件體積增大而增加，Vercel 建議開發者針對延遲敏感的應用進行預熱（Provisioned Concurrency）配置。
- •該功能目前主要針對 Serverless Functions，對於 Edge Functions（基於 V8 Isolate）仍維持較小的體積限制，以確保全球邊緣節點的執行效能。
- •此舉直接回應了開發者社群對於在 Serverless 環境中運行 PyTorch、TensorFlow 或大型 LLM 推論引擎的需求，減少了過去需透過外部容器服務（如 AWS Lambda Container Image）的依賴。
- •啟用該功能後，Vercel 會自動調整函數的執行逾時（Timeout）上限，以適應載入大型模型所需的額外初始化時間。
競品分析
最大套件限制
- Vercel (Large Functions)
- 5GB
- AWS Lambda (Container Image)
- 10GB
- Google Cloud Run
- 無限制 (容器映像檔)
部署體驗
- Vercel (Large Functions)
- Git-push 自動化
- AWS Lambda (Container Image)
- 需 Docker/ECR 流程
- Google Cloud Run
- 需 Docker/Artifact Registry
執行環境
- Vercel (Large Functions)
- Node.js/Python
- AWS Lambda (Container Image)
- 自定義 Runtime
- Google Cloud Run
- 任何容器化應用
價格模型
- Vercel (Large Functions)
- 按請求與執行時間計費
- AWS Lambda (Container Image)
- 按請求與執行時間計費
- Google Cloud Run
- 按 CPU/記憶體使用量計費
| 特色 | Vercel (Large Functions) | AWS Lambda (Container Image) | Google Cloud Run |
|---|---|---|---|
| 最大套件限制 | 5GB | 10GB | 無限制 (容器映像檔) |
| 部署體驗 | Git-push 自動化 | 需 Docker/ECR 流程 | 需 Docker/Artifact Registry |
| 執行環境 | Node.js/Python | 自定義 Runtime | 任何容器化應用 |
| 價格模型 | 按請求與執行時間計費 | 按請求與執行時間計費 | 按 CPU/記憶體使用量計費 |
技術深入
- 實作機制：透過 VERCEL_SUPPORT_LARGE_FUNCTIONS 環境變數，系統會將部署流程從傳統的 ZIP 封裝切換至基於容器映像檔的快取機制。
- 儲存層：大型函數的映像檔會被儲存在 Vercel 的優化儲存層中，並在執行時進行分層拉取（Layered Pulling）以減少啟動延遲。
- 記憶體限制：雖然套件大小提升至 5GB，但函數執行時的記憶體上限仍需根據 Vercel 的方案等級進行配置，建議至少配置 2GB 以上以載入大型模型。
- 依賴管理：支援在 build 階段使用 pip 或 npm 安裝大型依賴，並透過 Vercel 的 build cache 機制加速後續部署。
前景展望基於引用來源的 AI 分析
Vercel 將進一步整合 GPU 加速支援以完善 AI 推論生態。
隨著套件大小限制的放寬，開發者部署 AI 模型的需求增加，下一步必然是提供硬體加速以解決 CPU 推論效能不足的問題。
Serverless 平台的邊界將持續模糊，向傳統容器平台靠攏。
放寬套件限制使得 Serverless 函數能處理過去僅限於容器服務的複雜任務，降低了開發者遷移至全託管容器服務的動機。
時間線
2020-08
Vercel 正式推出 Serverless Functions，初期限制為 50MB。
2022-05
Vercel 將 Serverless Functions 套件大小限制提升至 250MB。
2024-11
Vercel 強化 AI SDK 支援，推動開發者在前端與後端整合 AI 模型。
2026-06
Vercel 正式宣布支援高達 5GB 的大型函數套件。
- 2020-08Vercel 正式推出 Serverless Functions，初期限制為 50MB。
- 2022-05Vercel 將 Serverless Functions 套件大小限制提升至 250MB。
- 2024-11Vercel 強化 AI SDK 支援，推動開發者在前端與後端整合 AI 模型。
- 2026-06Vercel 正式宣布支援高達 5GB 的大型函數套件。
AI 週報
閱讀本週精選 AI 大事摘要 →
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Vercel News ↗
每週電子報
每週一封，可隨時退訂。