rea
Reverse engineer anything with agents, from app behavior down to native binaries.
How long a GPU job will run and cost, before running it — static code analysis, never executed.
Skills que enseñan a la IA este tipo de trabajo; funcionan junto a este
Reverse engineer anything with agents, from app behavior down to native binaries.
A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.
Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.
Las listas se ordenan por una puntuación de uso (sobre 100) con estas partes
| Popularidad | 0/80 | Estrellas de GitHub o descargas semanales: la mayor cuenta 60, la menor 20 |
|---|---|---|
| Actualidad | 7/12 | Puntuación completa con una versión o cambio de código en 30 días |
| Sigue respondiendo | 0/8 | El endpoint en la nube respondió en la última revisión |
| Puntuación de uso | 7/100 |
Calidad: Pasó 3/3 revisiones básicas (se muestra, no ordena) · Impulso: Sin datos aún (Solo se usa en la pestaña En auge)
Elige la app de IA que usas y copia la configuración.
Que tu IA lo instale con una frase
Instala Krauncher analyzer. Sigue https://mcp.popnx.com/i/ilya-a-sergeyev-ger-krauncher-mcp.md, enséñame los comandos y espera mi OK antes de ejecutarlos.Pégala en una IA que trabaje en tu equipo (como Claude Code o Cursor). Lee nuestros pasos, te muestra los comandos y espera tu OK. Sin clave ni registro. · Ver el texto completo que lee tu IA
Pasó 3/3 revisiones · Funciona en tu computadora · ✓ Comandos revisados el 14 nov 2026
Primero: ¿qué IA usas?
Elige tu app y los pasos aparecen abajo.
Funciona con Claude, pero hay que preparar algo antes
Instala Python (uv) en tu computadora primero (una sola vez) · Solo en la app de Claude para computadora (Windows o Mac), no en la web ni en el móvil
Copia este mensaje en un chat de Claude. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.
Instala el MCP server Krauncher analyzer para Claude en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): { "mcpServers": { "krauncher": { "command": "uvx", "args": [ "krauncher-mcp" ] } } } 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) No hace falta clave. 5) Haz lo acordado y comprueba que las herramientas de Krauncher analyzer aparecen de verdad.Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.
¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter
uv --versionMac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter
Windows: abre Inicio, escribe Windows PowerShell y elige Abrir
Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita
Abrir la página de descarga de uv ↗
Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version
Se instala una vez y sirve para todo lo que usa uv
SettingsDeveloperEdit Config
{
"mcpServers": {
"krauncher": {
"command": "uvx",
"args": [
"krauncher-mcp"
]
}
}
}Usa Krauncher analyzer y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si Claude dice que está usando Krauncher analyzer o muestra una herramienta de Krauncher analyzer en la respuesta, ya está conectado
El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.
KRAUNCHER_API_KEY Clave de API de Krauncher opcional (obtenla en https://krauncher.com). Sin ella, el servidor llama al analizador público sin clave, con una cuota diaria por IP; con ella, se usa tu cuenta con clave y la cuota… Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.
Nombres de menú comprobados con la ayuda de Anthropic el 11 nov 2026 · tu pantalla puede variar un poco según la versión
ChatGPT todavía no puede conectar Krauncher analyzer
Krauncher analyzer se instala en tu computadora, pero ChatGPT solo conecta servidores que funcionan en la web
A · Usa una app que pueda conectar Krauncher analyzer
B · Otros en Herramientas para desarrolladores que funcionan con ChatGPT
Elegidos entre los más usados de la misma categoría, solo los que se conectan con una dirección y sin clave
Funciona con Claude Code, pero hay que preparar algo antes
Instala Python (uv) en tu computadora primero (una sola vez)
Copia este mensaje en un chat de Claude Code. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.
Instala el MCP server Krauncher analyzer para Claude Code en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): claude mcp add --scope user krauncher -- uvx krauncher-mcp 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) No hace falta clave. 5) Haz lo acordado y comprueba que las herramientas de Krauncher analyzer aparecen de verdad.Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.
¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter
uv --versionMac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter
Windows: abre Inicio, escribe Windows PowerShell y elige Abrir
Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita
Abrir la página de descarga de uv ↗
Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version
Se instala una vez y sirve para todo lo que usa uv
Mac: pulsa Command+Espacio y escribe Terminal · Windows: abre PowerShell
claude mcp add --scope user krauncher -- uvx krauncher-mcpDeberías ver Krauncher analyzer en la lista como conectado
Usa Krauncher analyzer y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si Claude Code dice que está usando Krauncher analyzer o muestra una herramienta de Krauncher analyzer en la respuesta, ya está conectado
El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.
KRAUNCHER_API_KEY Clave de API de Krauncher opcional (obtenla en https://krauncher.com). Sin ella, el servidor llama al analizador público sin clave, con una cuota diaria por IP; con ella, se usa tu cuenta con clave y la cuota… Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.
Nombres de menú comprobados con la ayuda de Anthropic el 11 nov 2026 · tu pantalla puede variar un poco según la versión
Funciona con Cursor, pero hay que preparar algo antes
Instala Python (uv) en tu computadora primero (una sola vez)
Copia este mensaje en un chat de Cursor. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.
Instala el MCP server Krauncher analyzer para Cursor en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): { "mcpServers": { "krauncher": { "command": "uvx", "args": [ "krauncher-mcp" ] } } } 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) No hace falta clave. 5) Haz lo acordado y comprueba que las herramientas de Krauncher analyzer aparecen de verdad.Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.
¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter
uv --versionMac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter
Windows: abre Inicio, escribe Windows PowerShell y elige Abrir
Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita
Abrir la página de descarga de uv ↗
Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version
Se instala una vez y sirve para todo lo que usa uv
Usa Krauncher analyzer y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si Cursor dice que está usando Krauncher analyzer o muestra una herramienta de Krauncher analyzer en la respuesta, ya está conectado
El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.
KRAUNCHER_API_KEY Clave de API de Krauncher opcional (obtenla en https://krauncher.com). Sin ella, el servidor llama al analizador público sin clave, con una cuota diaria por IP; con ella, se usa tu cuenta con clave y la cuota… Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.
Nombres de menú comprobados con la ayuda de Cursor el 11 nov 2026 · tu pantalla puede variar un poco según la versión
Funciona con VS Code, pero hay que preparar algo antes
Instala Python (uv) en tu computadora primero (una sola vez)
Copia este mensaje en un chat de VS Code. La IA revisa tu equipo, te dice qué archivo va a cambiar y espera tu visto bueno cada vez.
Instala el MCP server Krauncher analyzer para VS Code en este equipo, en este orden: 1) Comprueba uv con uv --version. Si falta, dime que lo instale desde https://docs.astral.sh/uv/getting-started/installation/; no lo instales tú. 2) Usa solo esta configuración (ya revisada por PopNx MCP): { "servers": { "krauncher": { "type": "stdio", "command": "uvx", "args": [ "krauncher-mcp" ] } } } 3) Dime la ruta completa del archivo que vas a cambiar o el comando que vas a ejecutar y espera mi visto bueno. 4) No hace falta clave. 5) Haz lo acordado y comprueba que las herramientas de Krauncher analyzer aparecen de verdad.Este mensaje no lleva tu clave. Si hace falta una, la IA te pedirá que la pegues tú en el archivo o en el campo de la app.
¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter
uv --versionMac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter
Windows: abre Inicio, escribe Windows PowerShell y elige Abrir
Si no está instalado: uv no tiene instalador de clics. Copia el comando de una línea para tu sistema (macOS o Windows) desde la página oficial de uv y pégalo en la Terminal · no hace falta instalar Python aparte; uv lo descarga cuando lo necesita
Abrir la página de descarga de uv ↗
Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: uv --version
Se instala una vez y sirve para todo lo que usa uv
Usa Krauncher analyzer y dime qué puedes hacer por mí; luego muéstrame una cosa✓ Si VS Code dice que está usando Krauncher analyzer o muestra una herramienta de Krauncher analyzer en la respuesta, ya está conectado
El comando de arriba funciona sin estos valores. Añádelos solo si quieres cambiar algo, según la descripción del autor.
KRAUNCHER_API_KEY Clave de API de Krauncher opcional (obtenla en https://krauncher.com). Sin ella, el servidor llama al analizador público sin clave, con una cuota diaria por IP; con ella, se usa tu cuenta con clave y la cuota… Descripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.
Nombres de menú comprobados con la ayuda de VS Code el 11 nov 2026 · tu pantalla puede variar un poco según la versión
Otras apps que usan MCP, como Windsurf, Zed o Gemini CLI, añaden servidores de forma distinta. Míralo en la lista de apps
Ver todas las apps que usan MCP →
La configuración JSON está en “Para desarrolladores”, abajo
Claude Code
claude mcp add --scope user krauncher -- uvx krauncher-mcpClaude Desktop (claude_desktop_config.json)
{
"mcpServers": {
"krauncher": {
"command": "uvx",
"args": [
"krauncher-mcp"
]
}
}
}Cursor (~/.cursor/mcp.json)
{
"mcpServers": {
"krauncher": {
"command": "uvx",
"args": [
"krauncher-mcp"
]
}
}
}VS Code (mcp.json)
{
"servers": {
"krauncher": {
"type": "stdio",
"command": "uvx",
"args": [
"krauncher-mcp"
]
}
}
}KRAUNCHER_API_KEY secreto envDescripciones traducidas automáticamente; los nombres de variables quedan como en el original. Si dudas, mira el original.
Esta configuración se genera a partir de la ficha del creador en el registro. Si el README dice otra cosa, sigue el README.
Según cómo se conecta este servidor y la documentación de cada app, comprobado el 10 nov 2026.
Se ejecutan en tu computadora en
ClaudeGooseLM StudioMsty StudioCherry StudioCursorVS Code + GitHub CopilotVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantClaude CodeCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatRaycast
Se ejecuta en tu computadora; la lista de herramientas aparece en tu app de IA después de instalarlo.
Revisamos información que cualquiera puede ver; no hemos leído el código. Las revisiones que no aplican no se cuentan. · Revisado el 19 nov 2026
El nombre en el registro se verificó con la cuenta de GitHub Ilya-a-sergeyev-ger, dueña del repo
Último cambio de código: hace 43 días
Usa MIT
Este se ejecuta en tu computadora; no hay endpoint en internet
Se ejecuta en tu computadora y usa ajustes locales en su lugar
Se ejecuta en tu computadora; solo podemos leer listas de herramientas de endpoints en internet
Sin entradas en OSV.dev para krauncher-mcp@0.5.0
Solo revisa esta versión del paquete, no todas sus dependencias · revisado 16 nov 2026
Si lo creaste tú, pega este código en tu README. La insignia enlaza a esta página.
[](https://mcp.popnx.com/en/servers/ilya-a-sergeyev-ger-krauncher-mcp)Pregunta, comparte un consejo o avisa de que no funciona. Ordenado por lo que la gente marcó como útil.
Aún no hay publicaciones. Sé la primera persona en preguntar o compartir.
Lo publicado aquí lo escriben usuarios, no el equipo de PopNx.
Aún no hay reseñas
Comparado con todos los servidores activos de esta categoría en el registro. Las estrellas solo cuentan cuando quien lo publica es dueño del repo.
Superó 3 de 3 revisiones básicas aplicables. No hemos leído el código. Antes de agregar una clave o un token, revisa qué acceso pide el servidor y usa una clave que tenga solo los permisos que necesitas.
El registro no indica ninguna clave obligatoria, aunque algunos servidores te piden iniciar sesión la primera vez que los usas.
Se ejecuta en tu computadora. Tu app de IA lo inicia cuando hace falta, y los datos no pasan por los servidores del creador (a menos que el propio servidor llame a un servicio en línea).
El repo de GitHub cambió por última vez hace 43 días, y la última versión (0.5.0) llegó al registro hace 3 meses.
Las apps compatibles con MCP, como Claude Desktop, Claude Code, Cursor y VS Code. También necesitas Python (uv) en tu computadora.
En la misma categoría: GitDiagram, Appllama, Cloudflare MCP, Omnara, Repowise
Misma categoría, otros creadores, comandos ya revisados. Primero los oficiales, luego por estrellas.
Cómo leer una tarjeta:↓ Descargas por semanai★ Estrellas de GitHubiTres pilares: reseñas · revisiones · usoiActualizado = fecha en que se publicó la última versión en el registroi
Architecture diagrams, explanations and Mermaid source for public GitHub repositories.
Study screens, flows and paywalls from top-earning iOS apps, then build from what wins.
Cloudflare MCP servers
Deploy durable AI agents with Omnara, an open-source managed-agent platform.
Codebase intelligence for AI coding agents: graph, git history, docs, decisions, code health.
| Este Krauncher analyzer | GitDiagram | Appllama | Cloudflare MCP | Omnara | Repowise | |
|---|---|---|---|---|---|---|
| Dónde se ejecuta | Se instala en tu equipo | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | Funciona en la nube, sin instalar nada | En la nube o instalado en tu equipo |
| Necesita clave | No | No | No | No | No | No |
| Se añade con + en Claude | No | No | No | Sí | No | No |
| Revisiones básicas | 3/3 | 4/4 | 4/4 | 4/4 | 4/4 | 5/5 |
| Licencia | MIT | MIT | MIT | Apache-2.0 | Apache-2.0 | AGPL-3.0 |
| Precio | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro | Sin coste en el registro |
Copiado tal cual del repo del creador. PopNx MCP no lo ha revisado ni lo respalda. Se quitaron HTML, imágenes y scripts. Los enlaces llevan fuera de este sitio.
Run your training script on a remote GPU. Nothing more.
Krauncher is a minimal Python library for researchers who have a working local script and need a GPU — not a platform.
Website & API keys: [krauncher.com](https://krauncher.com)
pip install krauncher
export CAS_API_KEY="cas_..." # krauncher.com → Account → API Keys
Requires Python 3.11+.
import asyncio
from krauncher import KrauncherClient
client = KrauncherClient() # reads CAS_API_KEY / CAS_BROKER_URL from env or .env
@client.task(vram_gb=1, timeout=120) def multiply(size: int): import numpy as np # imports go INSIDE the function a, b = np.random.rand(size, size), np.random.rand(size, size) return {"mean": float((a @ b).mean())}
async def main(): handle = await multiply(size=1000) # submit → TaskHandle print("task:", handle.task_id) result = await handle # await the handle → TaskResult print("output:", result.output) print("gpu:", result.actual_gpu, "·", f"{result.execution_time_sec:.1f}s")
asyncio.run(main())
The decorated function becomes async: calling it submits the task and returns a TaskHandle; awaiting the handle (or await handle.wait(...)) returns a TaskResult.
Using an LLM / coding agent? Read [AGENTS.md](AGENTS.md) — a single
accurate reference of the API, parameters, result fields, errors and
constraints. Runnable examples live in [tutorial/](tutorial/).
Serverless orchestration platforms are genuinely impressive pieces of infrastructure. They handle container builds, secret management, artifact storage, scheduling, persistent volumes, and team dashboards.
They also charge you for all of it — whether you use it or not.
If you're fine-tuning a small model, running ablations, or iterating on a research experiment with a dataset under 2 GB, you're likely paying for an orchestration layer you don't need.
Krauncher does less, on purpose. It runs your existing Python function on a remote GPU, returns the result, and gets out of the way.
Good fit:
Not the right tool if:
Add a decorator. Await your function. Get a result. Your existing code doesn't change — no base images, no volume mounts, no platform imports.
import asyncio
from krauncher import KrauncherClient
client = KrauncherClient()
@client.task(gpu_name="RTX4090", group_id="mistral-run", timeout=3600) def finetune(): from transformers import AutoModelForCausalLM, Trainer, TrainingArguments from datasets import load_dataset
model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-v0.1") dataset = load_dataset("tatsu-lab/alpaca", split="train[:2000]")
model.save_pretrained("/tmp/output")
upload_to_s3("/tmp/output", "my-checkpoints/run-1") return {"status": "done", "checkpoint": "s3://my-checkpoints/run-1"}
async def main(): result = await finetune() # submit and wait print(result.output)
asyncio.run(main())
The decorated function is async — always call it from an
async
context and
awaitthe handle (which submits and waits). See the
Quickstart for the canonical shape.
| Decorator argument | Effect |
|---|---|
vram_gb=24 | Require at least 24 GB VRAM |
gpu_name="H100" | Require a specific model (case-insensitive substring) |
gpu_arch="Ada" | Require a GPU architecture |
*(omit vram_gb)* | Auto-classify: the analyzer inspects your code and picks the VRAM tier for you |
Leaving vram_gb unset is the recommended default — Krauncher analyzes your code statically and sizes the GPU automatically.
Krauncher doesn't store anything. Your API key and training code are encrypted on your machine before leaving it, and decrypted only inside the ephemeral worker. The relay that routes your jobs cannot read the payload — it doesn't have the keys.
| What | Visible to Krauncher |
|---|---|
| Your storage credentials | No |
| Your training code | No |
| Your model weights/outputs | No |
| Job timing and GPU type | Yes |
Storage keys are part of that: the S3 / HuggingFace credentials a task needs (AWS_*, HF_TOKEN) are read from your environment and travel sealed inside the same payload as the code, straight to the worker. Set CAS_SEND_CREDENTIALS=false to attach none.
This isn't a feature we added. It's a consequence of not wanting to be in the data custody business. E2E encryption is mandatory — there is no opt-out.
Tasks with the same group_id are routed to the same physical host, so whatever your first run downloaded to local NVMe is still there for the next.
@client.task(gpu_name="RTX4090", group_id="my-experiment-v1")
def train_epoch(epoch: int): import os cache_path = "/tmp/dataset.bin" if not os.path.exists(cache_path): download_from_s3("my-bucket", "dataset.bin", cache_path)
run_training(cache_path, epoch=epoch) return {"epoch": epoch, "status": "complete"}
async def main(): for epoch in range(10): await train_epoch(epoch=epoch)
For larger or registered datasets, use the data bridge (data_urls= / data=), which downloads into /data inside the sandbox — see tutorial/06 and tutorial/15.
await client.run_code(code, inputs={...}, outputs=[...]) runs a code *string* instead of a decorated function: named local values go in, named variables come back (JSON-safe, 16 MB budget). This is the primitive the krauncher-jupyter %%krauncher magic is built on. See tutorial/50.group = await client.group(task_a, task_b) derives a shared-requirements envelope (VRAM floor, GPU pins, disk) from the tasks and keeps them on one warm worker; submit with await group.submit(task, ...). See tutorial/52.files={"input.csv": b"..."} when calling the task and set artifacts=True to get back what it wrote beside itself (result.artifacts, result.download("received")). Both directions ride the encrypted payload — no storage to configure. See tutorial/54.await client.estimate_code(code, ...) returns the classification without submitting, and run_code(code, ..., classification=...) then executes without a second analysis. CAS_ESTIMATE_ONLY=true does the same for decorated tasks; POST /api/estimate returns per-GPU predicted time and cost.After a task completes, the broker keeps a structured record — the same one the web UI renders on the task detail page.
task = await client.get_task(task_id) # what GET /tasks/{id} returns
report = await client.get_task_report(task_id) # task + extended report
get_task returns status, timing breakdown (queue / download / pip / setup / execution), classification, costs, GPU and worker specs, and the result.
get_task_report adds an extended report field: peak/average GPU utilization, peak VRAM, the actual GPU's hardware specs, and an estimated time/cost comparison across all known GPUs at the worker's measured host capabilities. It is intended as feedback for an LLM author of the user code — pure data, no interpretation.
Numbered, runnable tutorials in tutorial/:
| # | File | Demonstrates |
|---|---|---|
| 01 | 01_remote_simple.py | Minimal submit + await |
| 02 | 02_remote_with_deps.py | pip= dependencies in the sandbox |
| 03 | 03_error_handling.py | Catching TaskError / remote tracebacks |
| 04 | 04_timeout.py | Execution timeout behaviour |
| 05 | 05_task_groups.py | group_id host affinity |
| 06 | 06_data_bridge.py | data_urls= downloads into /data |
| 09 | 09_streaming_logs.py | Live logs via wait(on_log=...) |
| 10 | 10_progress_bar.py | Progress reporting |
| 11 | 11_e2e_encryption.py | End-to-end encryption |
| 12 | 12_helper_functions.py | Shipping helper functions with the task |
| 13 | 13_bert_finetune.py | Real ML code → analyzer classification |
| 15 | 15_data_sources_s3.py | Registered S3 data sources |
| 17 | 17_multiphase_training.py | Multi-phase training in one group |
| 18 | 18_resnet152_food101.py | ResNet-152 on Food-101 |
| 19 | 19_huggingface_dataset.py | HuggingFace dataset bridge |
| 20 | 20_bert_imdb.py | BERT fine-tuning on IMDB |
| 21 | 21_qwen25_7b_lora_alpaca.py | Qwen2.5-7B LoRA fine-tuning |
| 22 | 22_qwen25_7b_inference_gsm8k.py | Qwen2.5-7B inference |
| 23 | 23_gnn_node_classification_cora.py | GCN node classification |
| 30+ | 30_…–36_… | LLM inference and batched inference |
| 50 | 50_run_code_values.py | run_code with named in/out values |
| 52 | 52_group_envelope.py | client.group() multi-phase envelope |
| 53 | 53_hf_native.py | HuggingFace-native auto pre-fetch |
| 54 | 54_artifact_roundtrip.py | Files in / artifacts out |
| 55 | 55_assay_ladder.py | Assay and per-GPU time ladder, before running |
pip install krauncher
export CAS_API_KEY="your_api_key"
Requires Python 3.11+.
MIT