What it does
How long a GPU job will run and cost, before running it — static code analysis, never executed.
- Connects パソコンで動く
- Account or key No key needed
- Category 開発者ツール
一緒に使える
この種の作業を AI に教える Skill。これと一緒に使えます
andrej-karpathy-skills
A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.
graphify
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.
この順位の理由
一覧は利用スコア(100 点満点)で並びます。内訳は次のとおり
| 人気 | 0/80 | GitHub スターか週間ダウンロード数。大きい方を 60、小さい方を 20 で数えます |
|---|---|---|
| 新しさ | 7/12 | 30 日以内のリリースかコード更新で満点 |
| 応答中 | 0/8 | 前回の確認でクラウドのエンドポイントが応答 |
| 利用スコア | 7/100 |
品質: 基本チェック 3/3 項目に合格(表示のみ、並び順には不使用) · 勢い: データなし (「急上昇」タブでのみ使用)
インストール
使っているAIアプリを選んで、設定をコピーしてください。
ひとことで AI にインストールしてもらう
Krauncher analyzer をインストールして。https://mcp.popnx.com/i/ilya-a-sergeyev-ger-krauncher-mcp.md に従い、コマンドを見せて、私が OK するまで実行しないで。パソコンで作業できる AI(Claude Code や Cursor など)に貼り付けます。手順を読み、コマンドを見せて、あなたの OK を待ちます。キー不要・登録不要。 · AI が読む全文を見る
チェック 3/3 合格 · あなたのパソコンで動きます · ✓ コマンド確認済み 2026年11月14日
まず:どの AI を使っていますか?
使っているアプリを選ぶと、下に手順が表示されます。
Claude につなげますが、先に準備が必要です
先にパソコンへ Python (uv) を入れてください(1 回だけ) · パソコン版 Claude アプリ(Windows または Mac)のみ。Web やスマホでは使えません
AI にインストールしてもらう
このメッセージを Claude のチャットに貼り付けます。AI がパソコンを確認し、変更するファイルを伝え、毎回あなたの了承を待ちます。
このパソコンの Claude に MCP server Krauncher analyzer を入れてください。順番に:1) uv --version で uv があるか確認。なければ https://docs.astral.sh/uv/getting-started/installation/ から入れるよう私に伝え、自分では入れない。2) この設定だけを使う(PopNx MCP の確認済み):{ "mcpServers": { "krauncher": { "command": "uvx", "args": [ "krauncher-mcp" ] } } } 3) 変更するファイルのフルパスか実行するコマンドを伝えて、私の了承を待つ。4) キーは不要。5) 了承した内容を実行し、Krauncher analyzer のツールが本当に表示されるか確認する。このメッセージにあなたのキーは含まれません。キーが必要な場合は、AI がファイルやアプリの入力欄にご自身で貼るよう案内します。
uv を入れる(まだなければ)
もう入っていますか?先に確認 · ターミナルを開き、このコマンドを入力して Enter
uv --version- バージョン番号(例 uv …)が出る = 入っています。この手順は飛ばせます
- "command not found"(Windows では "is not recognized")が出る = まだ入っていないか、入れた直後でターミナルを開き直す必要があります
ターミナルの開き方
Mac:⌘ + Space を押し、Terminal と入力して Enter
Windows:スタートメニューを開き、Windows PowerShell と入力して「開く」
まだ入っていない場合: uv にはクリック式のインストーラーがありません。uv 公式ページからお使いの OS(macOS か Windows)用の 1 行コマンドをコピーしてターミナルに貼り付けます · Python を別に入れる必要はなく、必要なときに uv が自動で取得します
入れ終わったらターミナルを閉じて開き直し、同じコマンドをもう一度実行します。バージョン番号が出れば完了です:
uv --version一度入れれば、uv を使うすべてのツールで使えます
パソコン版 Claude アプリの設定ファイルを開く
SettingsDeveloperEdit Config
この設定を貼り付けて保存
{ "mcpServers": { "krauncher": { "command": "uvx", "args": [ "krauncher-mcp" ] } } }Claude を終了してもう一度開く
試してみる
Krauncher analyzer を使って、私に何ができるか教えて、1 つやってみせて✓ Claude が Krauncher analyzer を使っていると言うか、回答に Krauncher analyzer のツール名が出れば接続成功です
追加の設定 1 項目(入力しなくても使えます)
上のコマンドはこれらがなくても動きます。変えたいときだけ作者の説明に沿って追加してください。
KRAUNCHER_API_KEY任意の Krauncher API キー(https://krauncher.com で取得)。キーがない場合、サーバーは IP ごとの 1 日の割り当て内で、キーなしで公開アナライザーを呼び出します。キーがある場合は、キー付きのアカウントが使用され、割り当て…英語の原文を見る
Optional Krauncher API key (get one at https://krauncher.com). Without it the server calls the public analyzer keyless, under a per-IP daily quota; with it, your keyed account is used and the quota i…
説明は自動翻訳です。変数名は原文のままです。迷ったら原文を確認してください。
メニュー名は 2026年11月11日 に Anthropic のヘルプページで確認 · アプリのバージョンにより画面が少し違うことがあります
ChatGPT はまだ Krauncher analyzer につなげません
Krauncher analyzer はパソコンに入れて使うものですが、ChatGPT は Web 上で動くサーバーにしかつなげません
代わりにできること
A · Krauncher analyzer につなげるアプリを使う
- 先にパソコンへ Python (uv) を入れてください(1 回だけ) · パソコン版 Claude アプリ(Windows または Mac)のみ。Web やスマホでは使えません
- 先にパソコンへ Python (uv) を入れてください(1 回だけ)
- 先にパソコンへ Python (uv) を入れてください(1 回だけ)
- 先にパソコンへ Python (uv) を入れてください(1 回だけ)
B · 開発者ツール の中で ChatGPT につなげる別のサーバー
同じカテゴリでよく使われているものから、キーなしでアドレスだけでつなげるものを選びました
- Sentry✓ ChatGPT
- Compiler Explorer✓ ChatGPT
- GitDiagram✓ ChatGPT
Claude Code につなげますが、先に準備が必要です
先にパソコンへ Python (uv) を入れてください(1 回だけ)
AI にインストールしてもらう
このメッセージを Claude Code のチャットに貼り付けます。AI がパソコンを確認し、変更するファイルを伝え、毎回あなたの了承を待ちます。
このパソコンの Claude Code に MCP server Krauncher analyzer を入れてください。順番に:1) uv --version で uv があるか確認。なければ https://docs.astral.sh/uv/getting-started/installation/ から入れるよう私に伝え、自分では入れない。2) この設定だけを使う(PopNx MCP の確認済み):claude mcp add --scope user krauncher -- uvx krauncher-mcp 3) 変更するファイルのフルパスか実行するコマンドを伝えて、私の了承を待つ。4) キーは不要。5) 了承した内容を実行し、Krauncher analyzer のツールが本当に表示されるか確認する。このメッセージにあなたのキーは含まれません。キーが必要な場合は、AI がファイルやアプリの入力欄にご自身で貼るよう案内します。
uv を入れる(まだなければ)
もう入っていますか?先に確認 · ターミナルを開き、このコマンドを入力して Enter
uv --version- バージョン番号(例 uv …)が出る = 入っています。この手順は飛ばせます
- "command not found"(Windows では "is not recognized")が出る = まだ入っていないか、入れた直後でターミナルを開き直す必要があります
ターミナルの開き方
Mac:⌘ + Space を押し、Terminal と入力して Enter
Windows:スタートメニューを開き、Windows PowerShell と入力して「開く」
まだ入っていない場合: uv にはクリック式のインストーラーがありません。uv 公式ページからお使いの OS(macOS か Windows)用の 1 行コマンドをコピーしてターミナルに貼り付けます · Python を別に入れる必要はなく、必要なときに uv が自動で取得します
入れ終わったらターミナルを閉じて開き直し、同じコマンドをもう一度実行します。バージョン番号が出れば完了です:
uv --version一度入れれば、uv を使うすべてのツールで使えます
ターミナルを開く
Mac:Command+スペースで Terminal と入力 · Windows:PowerShell を開く
このコマンドを貼り付けて Enter
claude mcp add --scope user krauncher -- uvx krauncher-mcpClaude Code で /mcp と入力
Krauncher analyzer が一覧にあり、接続済みと表示されれば OK です
試してみる
Krauncher analyzer を使って、私に何ができるか教えて、1 つやってみせて✓ Claude Code が Krauncher analyzer を使っていると言うか、回答に Krauncher analyzer のツール名が出れば接続成功です
追加の設定 1 項目(入力しなくても使えます)
上のコマンドはこれらがなくても動きます。変えたいときだけ作者の説明に沿って追加してください。
KRAUNCHER_API_KEY任意の Krauncher API キー(https://krauncher.com で取得)。キーがない場合、サーバーは IP ごとの 1 日の割り当て内で、キーなしで公開アナライザーを呼び出します。キーがある場合は、キー付きのアカウントが使用され、割り当て…英語の原文を見る
Optional Krauncher API key (get one at https://krauncher.com). Without it the server calls the public analyzer keyless, under a per-IP daily quota; with it, your keyed account is used and the quota i…
説明は自動翻訳です。変数名は原文のままです。迷ったら原文を確認してください。
メニュー名は 2026年11月11日 に Anthropic のヘルプページで確認 · アプリのバージョンにより画面が少し違うことがあります
Cursor につなげますが、先に準備が必要です
先にパソコンへ Python (uv) を入れてください(1 回だけ)
AI にインストールしてもらう
このメッセージを Cursor のチャットに貼り付けます。AI がパソコンを確認し、変更するファイルを伝え、毎回あなたの了承を待ちます。
このパソコンの Cursor に MCP server Krauncher analyzer を入れてください。順番に:1) uv --version で uv があるか確認。なければ https://docs.astral.sh/uv/getting-started/installation/ から入れるよう私に伝え、自分では入れない。2) この設定だけを使う(PopNx MCP の確認済み):{ "mcpServers": { "krauncher": { "command": "uvx", "args": [ "krauncher-mcp" ] } } } 3) 変更するファイルのフルパスか実行するコマンドを伝えて、私の了承を待つ。4) キーは不要。5) 了承した内容を実行し、Krauncher analyzer のツールが本当に表示されるか確認する。このメッセージにあなたのキーは含まれません。キーが必要な場合は、AI がファイルやアプリの入力欄にご自身で貼るよう案内します。
uv を入れる(まだなければ)
もう入っていますか?先に確認 · ターミナルを開き、このコマンドを入力して Enter
uv --version- バージョン番号(例 uv …)が出る = 入っています。この手順は飛ばせます
- "command not found"(Windows では "is not recognized")が出る = まだ入っていないか、入れた直後でターミナルを開き直す必要があります
ターミナルの開き方
Mac:⌘ + Space を押し、Terminal と入力して Enter
Windows:スタートメニューを開き、Windows PowerShell と入力して「開く」
まだ入っていない場合: uv にはクリック式のインストーラーがありません。uv 公式ページからお使いの OS(macOS か Windows)用の 1 行コマンドをコピーしてターミナルに貼り付けます · Python を別に入れる必要はなく、必要なときに uv が自動で取得します
入れ終わったらターミナルを閉じて開き直し、同じコマンドをもう一度実行します。バージョン番号が出れば完了です:
uv --version一度入れれば、uv を使うすべてのツールで使えます
Cursor の AI チャットを Agent モードで開く
試してみる
Krauncher analyzer を使って、私に何ができるか教えて、1 つやってみせて✓ Cursor が Krauncher analyzer を使っていると言うか、回答に Krauncher analyzer のツール名が出れば接続成功です
追加の設定 1 項目(入力しなくても使えます)
上のコマンドはこれらがなくても動きます。変えたいときだけ作者の説明に沿って追加してください。
KRAUNCHER_API_KEY任意の Krauncher API キー(https://krauncher.com で取得)。キーがない場合、サーバーは IP ごとの 1 日の割り当て内で、キーなしで公開アナライザーを呼び出します。キーがある場合は、キー付きのアカウントが使用され、割り当て…英語の原文を見る
Optional Krauncher API key (get one at https://krauncher.com). Without it the server calls the public analyzer keyless, under a per-IP daily quota; with it, your keyed account is used and the quota i…
説明は自動翻訳です。変数名は原文のままです。迷ったら原文を確認してください。
メニュー名は 2026年11月11日 に Cursor のヘルプページで確認 · アプリのバージョンにより画面が少し違うことがあります
VS Code につなげますが、先に準備が必要です
先にパソコンへ Python (uv) を入れてください(1 回だけ)
AI にインストールしてもらう
このメッセージを VS Code のチャットに貼り付けます。AI がパソコンを確認し、変更するファイルを伝え、毎回あなたの了承を待ちます。
このパソコンの VS Code に MCP server Krauncher analyzer を入れてください。順番に:1) uv --version で uv があるか確認。なければ https://docs.astral.sh/uv/getting-started/installation/ から入れるよう私に伝え、自分では入れない。2) この設定だけを使う(PopNx MCP の確認済み):{ "servers": { "krauncher": { "type": "stdio", "command": "uvx", "args": [ "krauncher-mcp" ] } } } 3) 変更するファイルのフルパスか実行するコマンドを伝えて、私の了承を待つ。4) キーは不要。5) 了承した内容を実行し、Krauncher analyzer のツールが本当に表示されるか確認する。このメッセージにあなたのキーは含まれません。キーが必要な場合は、AI がファイルやアプリの入力欄にご自身で貼るよう案内します。
uv を入れる(まだなければ)
もう入っていますか?先に確認 · ターミナルを開き、このコマンドを入力して Enter
uv --version- バージョン番号(例 uv …)が出る = 入っています。この手順は飛ばせます
- "command not found"(Windows では "is not recognized")が出る = まだ入っていないか、入れた直後でターミナルを開き直す必要があります
ターミナルの開き方
Mac:⌘ + Space を押し、Terminal と入力して Enter
Windows:スタートメニューを開き、Windows PowerShell と入力して「開く」
まだ入っていない場合: uv にはクリック式のインストーラーがありません。uv 公式ページからお使いの OS(macOS か Windows)用の 1 行コマンドをコピーしてターミナルに貼り付けます · Python を別に入れる必要はなく、必要なときに uv が自動で取得します
入れ終わったらターミナルを閉じて開き直し、同じコマンドをもう一度実行します。バージョン番号が出れば完了です:
uv --version一度入れれば、uv を使うすべてのツールで使えます
VS Code の AI チャットを Agent モードで開く
試してみる
Krauncher analyzer を使って、私に何ができるか教えて、1 つやってみせて✓ VS Code が Krauncher analyzer を使っていると言うか、回答に Krauncher analyzer のツール名が出れば接続成功です
追加の設定 1 項目(入力しなくても使えます)
上のコマンドはこれらがなくても動きます。変えたいときだけ作者の説明に沿って追加してください。
KRAUNCHER_API_KEY任意の Krauncher API キー(https://krauncher.com で取得)。キーがない場合、サーバーは IP ごとの 1 日の割り当て内で、キーなしで公開アナライザーを呼び出します。キーがある場合は、キー付きのアカウントが使用され、割り当て…英語の原文を見る
Optional Krauncher API key (get one at https://krauncher.com). Without it the server calls the public analyzer keyless, under a per-IP daily quota; with it, your keyed account is used and the quota i…
説明は自動翻訳です。変数名は原文のままです。迷ったら原文を確認してください。
メニュー名は 2026年11月11日 に VS Code のヘルプページで確認 · アプリのバージョンにより画面が少し違うことがあります
開発者向け:ターミナルのコマンドと JSON 設定
パソコンにインストール
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"
]
}
}
}自分で入力する値
KRAUNCHER_API_KEY秘密 env任意の Krauncher API キー(https://krauncher.com で取得)。キーがない場合、サーバーは IP ごとの 1 日の割り当て内で、キーなしで公開アナライザーを呼び出します。キーがある場合は、キー付きのアカウントが使用され、割り当て…英語の原文を見る
Optional Krauncher API key (get one at https://krauncher.com). Without it the server calls the public analyzer keyless, under a per-IP daily quota; with it, your keyed account is used and the quota i…
説明は自動翻訳です。変数名は原文のままです。迷ったら原文を確認してください。
この設定は、作者のレジストリ登録情報から作成しています。READMEと違う場合は、READMEに従ってください。
ひと目でわかる
使えるアプリ
このサーバーのつなぎ方と、各アプリの公式ドキュメントに基づきます。2026年11月10日に確認。
パソコン上で動かせるアプリ
ClaudeGooseLM StudioMsty StudioCherry StudioCursorVS Code + GitHub CopilotVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantClaude CodeCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatRaycast
できること
パソコンで動くサーバーです。インストールすると、ツール一覧がAIアプリに表示されます。
基本チェックi
誰でも見られる情報をチェックしており、コードは読んでいません。当てはまらない項目は数に入れていません。 · 2026年11月19日にチェック
- ✓ 合格
作者とリポジトリが一致
レジストリ名は、リポジトリを所有するGitHubアカウント Ilya-a-sergeyev-ger で確認済みです
- ✓ 合格
今もメンテナンスされている
コードの最終更新:43 日前
- ✓ 合格
ライセンスがある
MITを使用
- – 対象外
エンドポイントが応答する
これはパソコンで動くため、インターネット上のエンドポイントはありません
- – 対象外
OAuthでサインイン
パソコンで動き、代わりにローカルの設定を使います
- … 未チェック
ツールの説明に隠れた指示がない
パソコンで動くサーバーです。ツール一覧を読み取れるのは、インターネット上のエンドポイントがある場合だけです
公開済みの脆弱性(OSV.dev)
OSV.dev に krauncher-mcp@0.5.0 の登録はありません
このバージョンのパッケージ本体のみ確認。すべての依存関係ではありません · 確認日 2026年11月16日
作者の方へ:再確認の依頼・情報の誤りの報告
作者向け:README にバッジを付ける
作者の方は、このコードを README に貼れます。バッジはこのページにリンクします。
[](https://mcp.popnx.com/en/servers/ilya-a-sergeyev-ger-krauncher-mcp)話し合い
質問、コツの共有、使えないことの報告ができます。「役に立った」の多い順です。
ユーザーレビュー
まだレビューはありません
開発者ツールのほかのサーバーとの比較i
- このカテゴリのほかの6116件のうち0%よりスターが多い
- このカテゴリのほかの6116件のうち26%より最近レジストリに公開
- 基本チェックの結果が、このカテゴリのほかの6116件のうち99%と同じかそれ以上
レジストリでこのカテゴリにある有効なすべてのサーバーと比較しています。スターは、公開者がリポジトリの所有者である場合だけ数えます。
よくある質問
Krauncher analyzerは安全ですか?
当てはまる基本チェック3項目のうち3項目に合格しました。コードは読んでいません。キーやトークンを追加する前に、サーバーがどんなアクセスを求めているかを確認し、必要な権限だけを持つキーを使ってください。
どんなキーやコードが必要ですか?
レジストリには必須のキーは載っていません。ただし、最初に使うときにサインインを求めるサーバーもあります。
パソコンで動きますか、それともクラウドですか?
あなたのパソコンで動きます。必要なときにAIアプリが起動し、データは作者のサーバーを通りません(サーバー自体がオンラインサービスを呼び出す場合を除きます)。
今もメンテナンスされていますか?
GitHubリポジトリの最終更新は43 日前、最新バージョン(0.5.0)がレジストリに届いたのは3 か月前です。
どのアプリで使えますか?
Claude Desktop、Claude Code、Cursor、VS CodeなどのMCP対応アプリで使えます。パソコンにPython (uv)も必要です。
代わりに使えるものは?
同じカテゴリには:GitDiagram, Appllama, Cloudflare MCP, Omnara, Repowise
似た働きのほかの候補
同じカテゴリでほかの作者のもの。コマンドは確認済み。公式を先に、次にスター順。
カードの見方:↓ 週あたりのダウンロードi★ GitHubスターi3つの柱:レビュー · チェック · 利用状況i更新=最新バージョンをレジストリに公開した日i
GitDiagram
Architecture diagrams, explanations and Mermaid source for public GitHub repositories.
Appllama
Study screens, flows and paywalls from top-earning iOS apps, then build from what wins.
Omnara
Deploy durable AI agents with Omnara, an open-source managed-agent platform.
Repowise
Codebase intelligence for AI coding agents: graph, git history, docs, decisions, code health.
| これ Krauncher analyzer | GitDiagram | Appllama | Cloudflare MCP | Omnara | Repowise | |
|---|---|---|---|---|---|---|
| 動く場所 | パソコンにインストールが必要 | クラウドで動き、インストール不要 | クラウドで動き、インストール不要 | クラウドで動き、インストール不要 | クラウドで動き、インストール不要 | クラウドでもパソコンにインストールでも使える |
| キーが必要 | いいえ | いいえ | いいえ | いいえ | いいえ | いいえ |
| Claude で + から追加 | いいえ | いいえ | いいえ | はい | いいえ | いいえ |
| 基本チェック | 3/3 | 4/4 | 4/4 | 4/4 | 4/4 | 5/5 |
| ライセンス | MIT | MIT | MIT | Apache-2.0 | Apache-2.0 | AGPL-3.0 |
| 料金 | 登録情報に費用の記載なし | 登録情報に費用の記載なし | 登録情報に費用の記載なし | 登録情報に費用の記載なし | 登録情報に費用の記載なし | 登録情報に費用の記載なし |
作者のREADME
READMEを開く
作者のリポジトリから書かれたとおりにコピーしたものです。PopNx MCPは内容を確認・推奨していません。HTML、画像、スクリプトは取り除いています。リンクはこのサイトの外へ移動します。
Krauncher
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)
Quickstart
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/).
The problem with serverless ML platforms
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.
What Krauncher is (and isn't)
Good fit:
- Fine-tuning, LoRA, small-scale experiments with training datasets up to ~2 GB
- Researchers who already have a working local script
- Anyone tired of rewriting their code to fit a platform's abstractions
- Teams where "infrastructure" means one person and a credit card
Not the right tool if:
- You need managed versioned artifact storage
- Your team requires persistent shared volumes across runs
- Your dataset is hundreds of GBs with complex multi-node sharding
- You want a UI dashboard for experiment tracking
How it works
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
Weights download to worker storage on first run (~15 GB for 7B);
later runs in the same group_id reuse the cached weights.
model = AutoModelForCausalLM.from_pretrained("mistralai/Mistral-7B-v0.1") dataset = load_dataset("tatsu-lab/alpaca", split="train[:2000]")
... your training logic, unchanged from local ...
model.save_pretrained("/tmp/output")
Worker storage is ephemeral — sync checkpoints out before returning.
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.
Choosing a GPU
| 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.
Security model
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.
Data locality
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)
subsequent tasks in this group skip this step
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.
Beyond a single function
- Notebook / editor cells.
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 thekrauncher-jupyter%%kraunchermagic is built on. See tutorial/50. - Multi-phase runs.
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 withawait group.submit(task, ...). See tutorial/52. - Files in, files out. Pass
files={"input.csv": b"..."}when calling the task and setartifacts=Trueto 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. - Price it before you run it. Analysis and execution are separate phases:
await client.estimate_code(code, ...)returns the classification without submitting, andrun_code(code, ..., classification=...)then executes without a second analysis.CAS_ESTIMATE_ONLY=truedoes the same for decorated tasks;POST /api/estimatereturns per-GPU predicted time and cost.
Inspecting a finished task
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.
Examples
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 |
Install
pip install krauncher
export CAS_API_KEY="your_api_key"
Requires Python 3.11+.
License
MIT