TensorFusion 文档与 NVIDIA vGPU 对比
TensorFusion 与 NVIDIA vGPU 软件的差异、各自的运行环境，以及各自适合的场景
NVIDIA vGPU 软件（原名 NVIDIA GRID）在 hypervisor 层虚拟化 GPU，每台虚拟机得到一个带独立驱动的虚拟 GPU。TensorFusion 则是在 Kubernetes 上让容器共享 GPU。两者解决的问题不同，很少直接竞争：vGPU 面向虚拟机，包括虚拟桌面和图形工作站；TensorFusion 面向容器化 AI 工作负载的 GPU 池化。本页帮你确认自己的场景需要哪一个。
一览
| TensorFusion | NVIDIA vGPU | |
|---|---|---|
| 共享的单位 | Kubernetes Pod。 | 虚拟机。 |
| 运行环境 | Linux 节点上的 Kubernetes。 | 受支持的 hypervisor，如 VMware vSphere，或 Red Hat Enterprise Linux、Ubuntu 上的 KVM。 |
| 需要安装 | 一个 Helm chart：controller、调度器，以及每个 GPU 节点上的 hypervisor Pod。 | 宿主机上的 vGPU manager、每台虚拟机里的 NVIDIA guest 驱动，以及许可服务。 |
| 许可 | 核心组件 Apache 2.0；远程 client 与 worker 不开源。 | 专有软件，按版本授权：vApps、vPC、RTX vWS；AI 工作负载通过 NVIDIA AI Enterprise 授权。 |
| 加速卡 | NVIDIA，以及支持部分模式的华为昇腾、摩尔线程、阿里 PPU。 | 支持 vGPU 的 NVIDIA GPU。 |
| 工作负载 | 计算类：CUDA 以及其他已支持厂商的运行时。 | 计算和图形，Windows 和 Linux 客户机均可。 |
| 切分规格 | 每个 Pod 自行指定任意大小的算力和显存。 | 每种 GPU 型号有一份固定的 vGPU 类型列表，每种类型预留固定大小的显存。 |
| 算力共享 | soft 和 hard 模式下，每个 Pod 有请求和限额。 | 各 vGPU 之间按管理员选定的调度策略分时共享；支持 MIG 的 GPU 上也可以用 MIG-backed vGPU。 |
| 隔离边界 | 取决于模式：进程内 limiter（soft）、独立 worker 进程（hard）或硬件分区（partitioned）。 | 虚拟机。 |
| 超额分配 | 按资源池设置：算力超卖倍数，以及主机内存、磁盘计入可调度显存的比例。 | 不支持，vGPU 的显存是预留的。 |
| 通过网络远程使用 GPU | 支持，以 NVIDIA GPU 为主，见支持矩阵。 | 不支持，vGPU 位于运行该虚拟机的宿主机上。 |
| 热迁移 | 商业版功能，不在开源版本里。 | 支持在受支持的 hypervisor 上迁移虚拟机，对 GPU 型号和版本有限制。 |
| 调度与自动伸缩 | GPU 感知的 Kubernetes 调度器、配额、工作负载与节点自动伸缩。 | 交给 hypervisor 及其管理工具。 |
主要差异
虚拟机还是容器
vGPU 给客户机操作系统呈现一个 GPU 设备，这个系统上运行的任何程序都能用它，包括需要 DirectX 或 OpenGL 的 Windows 应用和远程桌面。TensorFusion 没有对应的能力，它是往 Linux 容器里注入 limiter 或 client 库，处理的是计算类 API。
TensorFusion 的宿主机/虚拟机安装可以让虚拟机里的应用在不直通 GPU 的情况下调用宿主机的 GPU，原理是通过网络或共享内存转发 CUDA 调用。客户机里看不到 GPU 设备，所以它不能在桌面和图形场景里替代 vGPU。
切分的灵活度
vGPU 类型决定一台虚拟机能拿到多少显存，在配置虚拟机时就要选定。这种方式结果可预期，适合长期运行的机器。
TensorFusion 在调度时按 Pod 决定：请求可以低于限额，资源池可以超卖，限额可以在运行期间调整。这种方式适合共享资源池上大量短生命周期或突发型的工作负载。
成本与运维
vGPU 需要为用到的每个版本购买许可，还需要它支持的 hypervisor。TensorFusion 的开源组件免费；闭源的远程组件在一定算力规模以内免费，见许可。
怎么选
以下情况选 NVIDIA vGPU：
- 工作负载运行在虚拟机里，并且必须留在虚拟机里。
- 需要虚拟桌面、图形工作站，或带 GPU 加速的 Windows 客户机。
- 需要以虚拟机作为租户之间的隔离边界。
- 维护宿主机时，需要把带 GPU 的虚拟机热迁移到其他主机。
以下情况选 TensorFusion：
- AI 工作负载以容器形式运行在 Kubernetes 上。
- 希望把多个节点的 GPU 组成资源池，按算力和显存调度。
- 需要任意大小的切分、超额分配或自动伸缩。
- 希望纯 CPU 节点上的 Pod 使用其他节点的 GPU。
参考资料
核对时间为 2026 年 10 月：
- NVIDIA vGPU 软件文档：架构、vGPU 类型、支持的 hypervisor。
- NVIDIA vGPU 软件许可：授权的产品版本。
- vGPU live migration：支持的平台与限制。