Em 18 de novembro de 2026, a AWS anunciou a disponibilidade geral de funções de evento do Lambda com GPU no Lambda Managed Instances. A capacidade usa instâncias G da Amazon EC2 e se destina a funções implantadas como imagens de contêiner — não é uma atualização automática de todas as funções do Lambda. A AWS lista as famílias e os limites anunciados.
O que a AWS habilitou no Lambda
As funções de evento com GPU rodam no Lambda Managed Instances, sobre instâncias G da EC2. Na lista inicial estão G4dn, G5, G6, G6f, Gr6, Gr6f e G6e.
A AWS posiciona o recurso para inferência com modelos personalizados e também cita processamento de mídia, renderização e computação científica. O foco é inferência, não treinamento; para grandes modelos de base, a empresa aponta serviços como o Amazon Bedrock.
Como funcionam as invocações e quais são os limites?
O prazo máximo depende do modo de invocação. A documentação de cotas da AWS estabelece até 30 minutos para uma invocação comum e até 90 minutos para invocações assíncronas e por mapeamento de origem de eventos no Lambda Managed Instances. O teto de 90 minutos não se aplica a mapeamentos de origem de eventos do Amazon MQ e do Amazon DocumentDB. A documentação de cotas do Lambda detalha esses limites e exceções.
| Modo de invocação | Duração máxima | Condições |
| Invocação comum | 30 minutos | Limite geral de uma invocação. |
| Assíncrona ou por mapeamento de origem de eventos no Lambda Managed Instances | Até 90 minutos | Exclui mapeamentos de origem de eventos do Amazon MQ e do Amazon DocumentDB. |
Para dimensionar a função, a AWS informa memória de 2.048 a 32.768 MB e memória do acelerador de 3 a 48 GB. O armazenamento efêmero pode chegar a 32 GB; a imagem de contêiner, a 32 GB no total, com limite de 10 GB por arquivo. Cada ambiente de execução pode receber até 48 solicitações simultâneas.
A configuração mostrada pela AWS em seu exemplo usa 16.384 MB de memória, 32 GB de armazenamento efêmero, timeout de 15 minutos e concorrência máxima de quatro solicitações por ambiente. São parâmetros daquele exemplo, não uma receita universal.
Antes de planejar uma tarefa longa, confira o modo de invocação: o teto de 30 ou de até 90 minutos depende dele e, no segundo caso, há exceções para duas integrações.
O que mostra o exemplo de inferência da AWS?
A demonstração da AWS combina vLLM com o modelo Qwen/Qwen2.5-1.5B-Instruct. A empresa relata que quatro chamadas simultâneas terminaram em aproximadamente o tempo de uma chamada e que levou cerca de 10 minutos para sair do identificador do modelo e chegar a um endpoint ativo. Esses resultados descrevem a demonstração da AWS.
Nesse exemplo, o download do modelo e o aquecimento do mecanismo de inferência acontecem durante a publicação de uma versão da função. Assim, o primeiro chamador não espera por esse aquecimento inicial. A AWS também recomenda verificar a cota de instâncias G sob demanda da conta antes de iniciar: contas novas podem começar com cota zero.
O que a cobrança anunciada inclui?
A AWS descreve três componentes: a tarifa da instância EC2 usada, uma taxa de gerenciamento de 9,75% para instâncias GPU e a cobrança padrão de US$ 0,20 por milhão de solicitações do Lambda. Savings Plans e Reserved Instances existentes se aplicam à tarifa da instância EC2.
Como acompanhar o uso da GPU
A AWS informa que o console do Lambda e o CloudWatch oferecem métricas de utilização da GPU, utilização e memória usada da GPU e utilização de energia da GPU. Elas permitem acompanhar esses indicadores da função durante a execução.