同一函数处理一批输入，Modal 可以并行运行并按原顺序交回结果

有一百份材料要分别处理，每份之间没有依赖，最直接的扩展方式就是让同一个函数同时处理不同输入。Modal 的 Function.map 提供了这个入口：工作送到托管云端执行，结果再按原输入顺序交回来。

它适合已经写好 Python 任务的人。需要先明确，Modal 是商业云计算平台，不是一套安装后就获得免费GPU的本地运行库。

并行发送，顺序仍能对得上

官方扩展指南用 evaluate_model 的调度骨架演示，将0到99这100个输入交给 Function.map。函数会分别接到每个输入，返回值组成可迭代结果，默认保持输入顺序。

这段示例没有实现模型评估本身，不能视为100次测试的性能展示。它展示的是任务分发与结果组织。教学情境中，若每份文件独立提取字段，就可以将文件ID、任务参数与对应结果一起保存。

有序返回方便关联，也意味着不该用结果出现的快慢直接推断每个任务何时完成。若业务要按完成先后处理，还需要查看相应调用选项，而不是把默认顺序当成实际完成顺序。

默认情况下，函数异常会向调用方传播。设置 return_exceptions=True，可以把异常与成功结果一起收集。官方平方函数例子在一个输入上抛错，其余位置仍保留数值结果。

这让批处理能够明确区分成功、失败和待重跑项。它不会自动知道错误是否值得重试，也不会将一份不完整结果变成正确答案；应用应保留原输入身份，再决定后续处理。

还要注意调用对象：Modal 的 map 是远程函数对象上的方法。Python 内建 map 虽然名字相同，却可能逐个顺序执行，不能仅凭出现 map 这个词就认为已经并行。

每个 Modal Function 对应一个可伸缩容器池。文档给出 max_containers、min_containers、buffer_containers 等设置，控制上限、保温数量和缓冲。默认无输入时可缩到零，保留更多暖容器则会增加成本，换取减少冷启动等待的机会。

并发也受工作区计划和平台限制。它适合独立任务，不会替有前后依赖的步骤自动设计数据传递，也不能让外部API的速率限制消失。

当前入门说明要求创建账号，GPU使用还需有效付款方式。对已有批处理函数的人，最值得比较的成果是：能否按输入准确收回一组结果，失败项是否有位置继续处理，以及为并行和等待所付出的费用是否合适。