将您的游戏电脑或工作站变成私有 GPU 执行服务器。远程用户可以在您的电脑上通过受限沙箱运行 Python 工作负载——无需 SSH 访问或公网暴露，并通过资源控制降低风险。
GPU 算力通常很紧张。高校或研究团队中的共享集群经常资源不足，排队时间长、可用性受限；与此同时，许多个人工作站、实验室电脑或小团队服务器中的高性能 GPU 却经常处于闲置状态。
这些 GPU 很强大，但很难安全地共享。传统方式（例如 SSH）会暴露整台电脑，不仅不适合个人设备，也不适合实验室、协作者或研究团队之间的临时共享。云服务则会增加成本，并削弱对数据和运行环境的控制。
MTCode GPU Server 提供了第三种方式：在您拥有或管理的硬件上进行受控的沙盒化执行。它既适合个人 GPU 共享，也适合实验室之间协作、短期借用，或有限时间的租用式访问——而无需向用户开放完整系统权限。
MTCode GPU Server 基于 MTCode DirectLink 平台所使用的同一核心库构建，但作为完全独立的应用程序运行——无需单独安装 MTCode Server。它提供相同的核心优势：高性能、低延迟和强数据隐私，同时让您的 GPU 电脑保持私有状态，无法从公网直接访问。
当用户通过 MTCode RemoteGPU 扩展连接时，系统会在客户端与 GPU 服务器之间建立直接的点对点连接。数据在两个端点之间直接传输并采用端到端加密，不经过任何中间中继或平台服务器。
连接后，远程用户可以上传 Python 项目、在您的 GPU 上执行，并实时回传结果——也可以提交离线任务，稍后下载输出。
所有执行都在受限沙箱环境中运行。用户可以运行工作负载，但不会获得对您系统的直接访问权限。
MTCode GPU Server、MTCode RemoteGPU 扩展和 Platform Server 的协作方式 — 数据通过端到端加密进行直接传输
所有代码在隔离环境中运行。文件访问、系统调用和资源使用受到严格控制。
使用本地 GPU 运行 PyTorch、TensorFlow 或自定义 CUDA 工作负载。
将日志、输出和结果直接流式传输回 VS Code 的输出终端。
用户运行代码时——无需获取 Shell 访问权限或查看您的电脑内容。
无开放端口，无公网端点。您的电脑始终保持私有。
限制磁盘使用量、用户文件保留时间、和最长执行时长。
完整系统访问权限，风险高。需要信任关系和手动管理。
仅限沙箱执行，受控、有限，且默认安全。
用户代码运行在受限制的沙盒环境中，可阻止系统命令、限制文件系统访问，并防止未经授权的操作。
每位用户的工作区和保存文件相互隔离。主机电脑上的文件、进程和系统环境默认受到保护。
没有任何沙盒能够保证抵御所有可能的漏洞。对于个人使用或可信团队，内置沙盒可以为常规工作负载提供强保护。对于不完全信任的外部用户，建议使用一个独立的、低权限的操作系统账户运行 MTCode GPU Server，并仅授予 GPU 任务所需目录和资源的访问权限。
这会增加一层额外防护：即使恶意代码突破了应用沙盒，其影响范围仍会受到该操作系统账户权限的限制。
在您的 GPU 电脑上下载并安装 MTCode GPU Server，然后使用管理员账户登录。
MTCode GPU Server 提供易于使用的图形界面，用于管理远程 GPU 访问。它会自动检测可用的 Python 解释器，并让远程用户在执行任务时进行选择。您也可以根据需要添加更多解释器，并配置所有授权用户都可以访问的共享数据集，以避免重复上传相同的数据集。
配置用户访问权限、磁盘配额、用户文件保留时间以及最长执行时长。每位用户一次只能运行一个任务，无论是在线任务还是离线任务。
受邀用户通过邀请邮件中的链接创建自己的账户，然后通过 VS Code 中的 MTCode RemoteGPU 扩展，或通过 MTCode Studio 连接。他们可以上传 Python 项目，在您的 GPU 上运行，实时查看输出结果，也可以提交离线任务并稍后下载输出。
MTCode GPU Server 与 MTCode Server 使用同一套管理员和用户账户系统。如果您已经拥有 MTCode 账户，可以直接使用相同凭据登录。
想看看实际效果？观看演示视频，了解远程用户如何发现您的服务器、建立连接、上传 Python 项目并执行任务——整个过程都在 VS Code 或 MTCode Studio 中完成。