标签: #model-registry

한국어English日本語中文

← 全部文章

• LLM Ops 到底在做什么 —— 可复现性、数据污染、检查点、模型晋升与回滚

  本文把 LLM Ops 整理成一份责任清单,而不是工具清单。内容包括:让训练运行可以被重建的运行清单里应该包含什么、如何防止并审计评测集的数据污染、从故障率反推检查点间隔的公式与保存成本的真实数字、把评测接入 CI 时应该以什么作为门槛。后半部分讨论训练与服务之间的交接实际会在哪些地方出问题、部署后的回归检测,以及回滚设计。工具只按类别介绍,不涉及厂商定价。

  2026-08-02 · 20 分钟阅读 #mlops#llmops#reproducibility#evaluation#model-registry

• MLflow 实验管理完全指南：实验追踪·模型注册表·部署流水线搭建

  本文以实战为中心，讲解如何用 MLflow 做 ML 实验追踪、模型注册表管理与部署流水线搭建。从 Tracking Server 架构、自动日志记录、模型版本管理，到 Kubernetes/Docker 部署，详细说明生产环境中所需的 MLOps 策略。

  2026-03-11 · 16 分钟阅读 #ai-platform#mlflow#experiment-tracking#model-registry#mlops

• Weights & Biases(W&B)实验管理实战指南：从实验追踪到 Model Registry 与生产环境监控

  基于 Weights & Biases(W&B)的 ML 实验管理实战指南。涵盖实验追踪、Sweeps 超参数调优、Artifacts 版本管理、Model Registry、团队协作功能，并结合与 MLflow 的对比，通过代码示例逐一讲解。

  2026-03-08 · 27 分钟阅读 #ai-platform#wandb#experiment-tracking#model-registry#mlops

• MLflow 2.x 实验追踪与模型注册表运维指南

  从 MLflow 2.x 的实验追踪设计到模型注册表运维、Artifact 管理、CI/CD 集成、多租户、生产部署的实战指南。

  2026-03-05 · 22 分钟阅读 #ai-platform#mlflow#model-registry#2026-03

• MLflow 完全指南：从实验追踪到 Model Registry、生产部署

  通过动手实践，使用 MLflow 完成 ML 实验管理的完整工作流程。用 Tracking 记录实验，用 Model Registry 进行版本管理，直至完成生产部署。

  2026-03-03 · 21 分钟阅读 #ai-platform#mlflow#experiment-tracking#model-registry#mlops