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

Tela do console do AWS Lambda para a função lmi-gpu-inference, com diagrama, imagem de contêiner e arquitetura x86_64.

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?

Configurações gerais, do provedor de capacidade e do acelerador para uma função de exemplo no console da AWS.

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 invocaçãoDuração máximaCondições
Invocação comum30 minutosLimite geral de uma invocação.
Assíncrona ou por mapeamento de origem de eventos no Lambda Managed InstancesAté 90 minutosExclui 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

Quatro gráficos de monitoramento da GPU, da memória e da energia, com séries de valores ao longo do tempo.

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.