Weights & Biases

模型 实验：跟踪和可视化你的实验 Sweeps：优化超参数 Tables：可视化并探索数据 Reports：记录和分享你的AI见解 Serverless RL：无服务器强化学习 Fine-tune LLMs without managing GPUs：无需管理GPU即可微调大语言模型 Serverless SFT：无服务器监督微调 Teach LLMs new tasks：教大语言模型新任务 ARTOpen-source RL framework：ART：开源强化学习框架 RulerAutomated reward function for RL：Ruler：用于强化学习的自动化奖励函数 Serverless Inference：无服务器推理 OpenAI OSSGPT OSS 20B, GPT OSS 120B Alibaba Qwen3235B A22B, 235B Thinking, Coder 480B Meta LlamaLlama 4 Scout, Llama 3.3 70B, Llama 3.1 8B MoonshotAI KimiKimi K2.5 Microsoft PhiPhi 4 Mini 3.8B Hangzhou DeepSeekDeepSeek V3.1, V3-0324, R1-0528 Z.aiZ.AI GLM 5.0 Weave Traces：探索和调试AI应用 Evaluations：对AI应用进行严格评估 Playground：探索提示词和模型 Monitors：在生产中持续改进 Core Registry：发布和分享你的AI模型和数据集 Skills：代码智能体的技能 CoreWeave Sandboxes：运行智能体的隔离环境 Automations：自动触发工作流 ARIAAI Research and Iteration Agent：ARIA：AI研究与迭代智能体

用例 计算机视觉 联络中心 评估 微调大语言模型 物理AI 检索增强生成 训练大语言模型 量化交易 计算机视觉 联络中心 评估 微调大语言模型 物理AI 检索增强生成 训练大语言模型 量化交易 行业 自动驾驶 通信 金融服务 医疗与生命科学 公共部门 科学研究 自动驾驶 通信 金融服务 医疗与生命科学 公共部门 科学研究 案例研究 Canva：了解Canva如何利用W&B部署模型 Microsoft：了解Microsoft如何将W&B用于其机器学习项目 Toyota：了解Toyota如何将W&B用于自动驾驶

安全 部署 性能 合作伙伴 支持 安全 部署 性能 合作伙伴 支持

AI课程 AI SideQuest 博客文章 播客 白皮书 活动与网络研讨会 新闻 AI课程 AI SideQuest 博客文章 播客 白皮书 活动与网络研讨会 新闻

import openai, weave weave.init("weave-intro") @weave.op def correct_grammar(user_input): client = openai.OpenAI() response = client.chat.completions.create( model="o1-mini", messages=[{ "role": "user", "content": "Correct the grammar:\n\n" + user_input, }], ) return response.choices[0].message.content.strip() result = correct_grammar("That was peace of cake!") print(result)

import weave from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI # Initialize Weave with your project name weave.init("langchain_demo") llm = ChatOpenAI() prompt = PromptTemplate.from_template("1 + {number} = ") llm_chain = prompt | llm output = llm_chain.invoke({"number": 2}) print(output)

import weave from llama_index.core.chat_engine import SimpleChatEngine # Initialize Weave with your project name weave.init("llamaindex_demo") chat_engine = SimpleChatEngine.from_defaults() response = chat_engine.chat( "Say something profound and romantic about fourth of July" ) print(response)

import wandb # 1. 开始一个新的运行 run = wandb.init(project="gpt5") # 2. 保存模型输入和超参数 config = run.config config.dropout = 0.01 # 3. 记录梯度和模型参数 run.watch(model) for batch_idx, (data, target) in enumerate(train_loader): ... if batch_idx % args.log_interval == 0: # 4. 记录指标以可视化性能 run.log({"loss": loss})

import wandb ‍ # 1. 定义记录到哪个wandb项目并命名你的运行 run = wandb.init(project="gpt-5", run_name="gpt-5-base-high-lr") ‍ # 2. 在`TrainingArguments`中添加wandb args = TrainingArguments(..., report_to="wandb") ‍ # 3. 当开始训练你的Trainer时，W&B日志将自动开始 trainer = Trainer(..., args=args) trainer.train()

from lightning.pytorch.loggers import WandbLogger # 初始化日志器 wandb_logger = WandbLogger(project="llama-4-fine-tune") # 将批量大小等配置添加到wandb配置 wandb_logger.experiment.config["batch_size"] = batch_size # 将wandb_logger传递给Trainer trainer = Trainer(..., logger=wandb_logger) # 训练模型 trainer.fit(...)

import wandb # 1. 开始一个新的运行 run = wandb.init(project="gpt4") ‍ # 2. 保存模型输入和超参数 config = wandb.config config.learning_rate = 0.01 ‍ # 在此进行模型训练 # 3. 记录指标以随时间可视化性能 ‍ with tf.Session() as sess: # ... wandb.tensorflow.log(tf.summary.merge_all())

import wandb from wandb.keras import ( WandbMetricsLogger, WandbModelCheckpoint, ) ‍ # 1. 开始一个新的运行 run = wandb.init(project="gpt-4") ‍ # 2. 保存模型输入和超参数 config = wandb.config config.learning_rate = 0.01 ... # 定义一个模型 # 3. 记录层维度和指标 wandb_callbacks = [ WandbMetricsLogger(log_freq=5), WandbModelCheckpoint("models"), ] model.fit( X_train, y_train, validation_data=(X_test, y_test), callbacks=wandb_callbacks, )

import wandb wandb.init(project="visualize-sklearn") ‍ # 在此进行模型训练 # 记录分类器可视化 wandb.sklearn.plot_classifier(clf, X_train, X_test, y_train, y_test, y_pred, y_probas, labels, model_name="SVC", feature_names=None) ‍ # 记录回归器可视化 wandb.sklearn.plot_regressor(reg, X_train, X_test, y_train, y_test, model_name="Ridge") ‍ # 记录聚类可视化 wandb.sklearn.plot_clusterer(kmeans, X_train, cluster_labels, labels=None, model_name="KMeans")

import wandb from wandb.xgboost import wandb_callback ‍ # 1. 开始一个新的运行 run = wandb.init(project="visualize-models") ‍ # 2. 添加回调 bst = xgboost.train(param, xg_train, num_round, watchlist, callbacks=[wandb_callback()]) ‍ # 获取预测 pred = bst.predict(xg_test)

什么是AI智能体？什么是AI护栏？大语言模型评估 什么是检索增强生成？什么是MLOps？机器学习模型注册 什么是LLMOps？什么是强化学习？什么是AI智能体？什么是AI护栏？大语言模型评估 什么是检索增强生成？什么是MLOps？机器学习模型注册 什么是LLMOps？什么是强化学习？什么是AI智能体？什么是AI护栏？大语言模型评估 什么是检索增强生成？什么是MLOps？机器学习模型注册 什么是LLMOps？什么是强化学习？什么是AI智能体？什么是AI护栏？大语言模型评估 什么是检索增强生成？什么是MLOps？机器学习模型注册 什么是LLMOps？什么是强化学习？

什么是AI智能体？什么是AI护栏？大语言模型评估 什么是检索增强生成？什么是MLOps？机器学习模型注册 什么是LLMOps？什么是强化学习？什么是AI智能体？什么是AI护栏？大语言模型评估 什么是检索增强生成？什么是MLOps？机器学习模型注册 什么是LLMOps？什么是强化学习？

Weights & Biases 主要用于记录和追踪训练 AI 模型的过程，包括跟踪超参数、模型性能指标和实验结果等，帮助团队成员在开发 AI 应用时建立信心。

Weights & Biases 可用于各种涉及训练和部署 AI 模型的场景，如自然语言处理、计算机视觉、推荐系统等，特别适合需要持续监控模型性能并优化流程的企业。

Weights & Biases 提供了强大的可视化工具和 API 接口，支持多种数据格式，并且具有版本控制功能，确保实验的可重复性和透明度。