Weights & Biases
Weights & Biases（W&B，SDK 包名 wandb）是以 SaaS 为主、可自托管 的 AI 开发者平台（被 CoreWeave 收购后亦称「Weights & Biases by CoreWeave」），核心诉求是「让实验看得见、让团队协作得起来」。它的抽象体系围绕 Run（一次实验运行） 展开：wandb.init() 启动 Run（返回 wandb.Run 对象），run.log() 记录随训练变化的指标（学习率、loss、自定义图表），run.finish()（或 with 退出时）结束 Run；多个 Run 归到 Project，便于横向对比。其上叠加多个产品模块：Artifacts（数据/模型的版本化与血缘追踪——log_artifact 标输出、use_artifact 标输入，自动连成 lineage graph）、Sweeps（超参搜索：定义搜索空间与策略，自动调度多个 Run）、Tables（记录与查询任意媒体数据：文本/图像/视频/音频/HTML，做细粒度样本级评估）、Reports（可分享的交互式研究报告，把图表、Run、Markdown 串成报告）、Registry（模型注册表，集中管理候选模型与上线版本）、Automations（事件触发：模型版本/Artifact 变化时自动调 webhook / 触发 CI）、Weave（GenAI 评测与可观测工具包：scorer、judge、tracing、production agent 持续改进，已 GA on SaaS 与 AWS）、Serverless Inference（一键把模型部署成推理端点）。部署形态上 W&B 以托管 SaaS 为主（开箱即用、免运维），也提供 Dedicated Cloud 与自托管 server（wandb/local / wandb/server，开源版功能受限）。截至 2026 年 7 月，Python SDK 稳定版为 0.28.1（2026-07-16）。信源 docs.wandb.ai。
评价
优点
- 可视化与协作是杀手锏：图表自动聚合、Run 横向对比、Report 一键分享，团队评审与论文复现体验远超自托管方案
- SDK 上手极快：
init/log/finish三行接入，主流框架（PyTorch/TF/Keras/HF/SKlearn/XGBoost）有 autolog 或集成钩子 - Artifacts 血缘自动：
log_artifact+use_artifact把数据→模型→评估表自动连成 lineage graph，追溯任意产物的完整链路 - Tables 支持任意媒体：文本/图像/视频/音频/HTML 都能记，样本级调试与错误分析体验好
- Weave 覆盖 GenAI 全链路：scorer / judge / tracing / 持续改进，把 LLM 应用评测与可观测统一在一个工具
- Sweeps + Automations 闭环：超参搜索自动调度，模型版本变化自动触发 CI/webhook，从实验到上线一条龙
缺点
- SaaS 强依赖：默认数据上传到 W&B 云，敏感数据/合规场景必须自托管或 Dedicated Cloud，成本陡升
- 自托管 server 功能受限：开源
wandb/server在 Sweeps、Automations、Organizations、SSO 等高级特性上常落后于 SaaS - 计费按用量：免费额度有限，Run/Artifacts/用户数上去后费用不低，且难以精确预估
- 离线/断网体验差：
WANDB_MODE=offline虽支持，但 sync 失败、数据冲突处理繁琐 - 厂商锁定风险：报告、图表、Sweep 配置都在 W&B 体系内，迁出到 MLflow/其它平台需要重建
文档地址
GitHub地址
- wandb/wandb（Python SDK）
- wandb/server（自托管 server）