工具介绍与任务方法
Oumi
Oumi 为基础模型开发提供从数据准备、训练到评估和部署的工具流程，支持模型微调、训练数据合成、标准基准评估及推理服务接入。
Oumi 能做什么
Oumi 为基础模型开发提供从数据准备、训练到评估和部署的工具流程，支持模型微调、训练数据合成、标准基准评估及推理服务接入。
- 模型训练与部署
- 语言模型与智能体质量评估及回归检查
如何使用 Oumi
按配方完成小规模训练与评估
准备输入
- 适合本机资源的模型配方、训练数据和验证目标。
- 已安装 Oumi 的 Python 或容器环境。
操作步骤
- 按计算环境安装 Oumi，选择匹配任务与资源条件的现有训练配方。
- 检查配置中的模型、数据与训练参数，再使用 oumi train 执行小规模训练。
- 使用对应的 evaluate 配置检查模型表现，并通过 infer 测试具体输入，保存配置与检查结果。
预期交付物
- 训练产物、评估结果和可复查的实验配置。
训练、评估与推理需要各自适配的配置和计算资源；基准得分或样例回答不能替代实际场景验证，部署前仍需检查模型和数据的使用条件。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
继续看看这些工具
全部工具 →Weights & Biases
为模型训练和 AI 应用开发提供实验记录、调用追踪及评估工具。
Remyx AI
为 AI 团队管理连续实验，推荐值得尝试的改动、生成待审阅代码并记录评估结果。
EvalML
EvalML 是自动构建、优化和评估机器学习流水线的 Python 工具，覆盖数据检查、预处理、特征工程和模型选择，并支持面向具体业务目标的评价函数。
CleanRL
以独立单文件实现深度强化学习算法的研究工具，支持本地训练实验、随机种子设置和 TensorBoard 日志查看。
PyTorch-Ignite
用于 PyTorch 神经网络训练和评估的高层库，以运行引擎、事件处理和指标计算组织训练验证流程。
华为云ModelArts
提供模型创建、部署与全周期 AI 工作流管理的开发平台。