01
训练任务编排
- 向导式选择基础模型、数据集与训练方式
- 任务模板复用，团队共享配置
- 任务排队、优先级与失败重试
功能详解
覆盖完整工作链路的六大能力。
模型训练需要的不只是一次任务运行。数据版本、参数配置、过程记录与验证结果共同决定了一次实验能否被解释与复现。
训练任务编排
02
多种训练方式
- 大模型 SFT：全参、LoRA、QLoRA
- 偏好对齐：DPO 等
- 视觉模型：YOLO 系列检测、分割训练
03
算力资源调度
- GPU / NPU 资源池化，按任务申请
- 单机多卡与多机分布式训练
- 资源占用、队列与配额可视化
04
实验过程可视化
- Loss、学习率、显存等曲线实时查看
- 训练日志与异常提醒
- 多次实验曲线叠加对比
05
模型版本管理
- 关联数据版本、训练配置与产物
- Checkpoint 管理与断点续训
- 模型卡记录适用场景与限制
06
评测与部署衔接
- 训练完成后自动发起基线对比评测
- 导出推理格式，发布到 MaaS
- 可下发到边缘节点，例如移动智算站
输入 / INPUT基础模型与训练数据
输出 / OUTPUT模型版本与实验记录
产品架构
分层清晰，上下游衔接顺畅。
从数据进入平台，到成果交给下游环节，每一层职责明确，并与阿拉丁 AI Stack 的其他产品打通。
输入
- 基础模型
- 训练数据集
- 训练配置与超参数
大数据模型可视化训练平台
- 任务编排向导建任务模板复用排队与重试
- 训练引擎PyTorchDeepSpeedLoRA / QLoRAYOLO 训练
- 实验管理指标曲线训练日志实验对比Checkpoint
- 资源调度GPU / NPU 资源池分布式训练配额与监控
输出与下游
- 模型版本→ 模型仓库
- 评测任务→ 综合评测平台
- 推理服务→ MaaS / 边缘节点
平台支撑国产化算力适配权限与审计数据不出域私有化部署
应用场景
从具体问题出发，看它怎么用。
SCENARIO 01
行业问答模型微调
- 现状问题
- 通用模型不懂行业术语和内部规程，回答笼统、容易出错。
- 怎么做
- 使用预处理后的企业语料做 LoRA 微调，固定验证集与基线对比。
专业问答更准确，每次改进都有实验记录可查。
SCENARIO 02
现场视觉检测模型
- 现状问题
- 特定设备、违规行为等现场目标，通用检测模型识别不准。
- 怎么做
- 基于现场标注数据训练 YOLO 检测模型，在验证集上对比精度。
模型下发到摄像头或移动智算站，在现场完成推理。
SCENARIO 03
结构化输出与工单生成
- 现状问题
- 模型输出格式不稳定，无法直接写入业务系统。
- 怎么做
- 以规范格式样本做 SFT，配合格式遵循评测。
稳定输出可直接入库的结构化结果。
SCENARIO 04
模型国产化迁移
- 现状问题
- 原有模型需要迁移到国产算力，效果和性能心里没底。
- 怎么做
- 在国产算力资源池上复训与验证，与迁移前结果并排比较。
有数据支撑的迁移结论与适配记录。
方案对比
和常见做法比，差别在哪里。
以下按常见方案形态归纳一般特征，便于选型时对照。
| 对比维度 | 命令行脚本训练 | 公有云训练平台 | 阿拉丁可视化训练平台 |
|---|---|---|---|
| 使用门槛 | 需熟悉框架与脚本 | 中，需熟悉云产品 | 低，向导式配置 |
| 训练过程可视化 | 依赖 TensorBoard 等工具 | 曲线、日志与实验对比 | |
| 数据与模型版本追溯 | 靠人工记录 | 视产品而定 | 数据、配置、产物绑定 |
| 大模型与视觉模型统一管理 | 各自一套脚本 | 视产品而定 | 同一平台管理 |
| 国产算力适配 | 需自行适配 | 取决于云厂商 | 支持国产算力资源池 |
| 数据不出域 | 本地运行 | 数据需上云 | 私有化部署 |
| 训练后评测与部署 | 手动衔接 | 部分衔接 | 一键评测，发布到 MaaS |
支持 部分支持 / 需额外工作 不支持 / 需自建对比为常见方案的一般特征，具体以各产品实际版本为准。
服务手册
从准备到完成，一步步操作。
先明确目标与边界，再执行任务。以下是工作指导，实际界面和可用功能以部署版本为准。
- 01
明确任务与基线
选择一个具体任务，整理代表性样本和判定标准。先用基础模型运行固定验证集，保存输出与问题分类，作为训练前的参照。
完成检查基线可重复执行，验证标准由业务与技术团队共同理解。
- 02
绑定模型与数据版本
记录基础模型名称、版本与授权范围，指定训练集和验证集版本。检查数据格式、标签质量与重复情况，避免验证样本混入训练集。
完成检查模型与数据均有确定版本，训练和验证数据已隔离。
- 03
配置并小规模试跑
结合资源与任务选择训练方式，记录学习率、批量大小、训练轮次等配置。先用小批样本验证数据读取、资源占用和产物保存，再开始完整训练。
完成检查试跑能完成，日志可查看，训练产物有明确保存位置。
- 04
观察训练与验证变化
同时观察训练过程和验证表现。对异常中断、指标波动或结果退化，先检查数据与任务配置；每次调整只改变明确的一组变量。
完成检查每次变更有原因与记录，结果可以关联到对应配置。
- 05
比较、归档与交接
使用同一验证集比较基线与训练后模型，补充代表性人工复核。将模型产物、配置、日志、验证结果和适用边界一并整理，交给评测或部署环节。
完成检查结果可复现，模型适用场景与已知限制被明确记录。
最佳实践
从具体场景，找到可复用的方法。
每一项实践都包含问题、操作路径与需要保留的成果，帮助团队把经验沉淀下来。
PRACTICE / 01
从一个窄任务开始训练
业务需求较多，直接用混合任务训练，难以判断改善来自哪里。
- 1
选择边界清晰的任务，例如工单分类或专业摘要。
- 2
为该任务固定数据、基线和验证标准，再开展一次小规模实验。
- 3
先分析失败样本的共同原因，再决定扩充数据或调整训练配置。
建议保留的成果
任务定义、基线输出、实验记录、失败样本分析
PRACTICE / 02
让实验之间真正可比较
模型、数据和参数同时改变，团队无法解释结果差异。
- 1
固定基础模型与数据版本，为每次实验命名并保存完整配置。
- 2
围绕一个明确假设调整配置，使用相同验证集进行比较。
- 3
保留结果不佳的实验记录，说明结论与后续判断。
建议保留的成果
实验对照表、固定验证集、配置变更记录
PRACTICE / 03
训练结束后再检查业务边界
训练指标有所变化，但业务回答的可靠性仍不明确。
- 1
检查代表性任务、边界问题与训练资料之外的问题。
- 2
请业务人员复核回答的事实、格式和是否遵守任务约束。
- 3
把不能处理的情况列入限制说明，带着记录进入综合评测。
建议保留的成果
业务复核样本、限制说明、待评测模型版本
继续探索其他工具