微調平台格局已大幅成熟。2023年,您只有兩個選擇:自己編寫 Python 腳本或租用 GPU 自己摸索。2026年,微調語言模型有至少六種不同的方法,從完全托管的視覺界面到原始的無服務器 GPU 基礎設施。
問題在於這些平台通常被當作替代品來比較,而它們各自解決的問題並不相同。選擇錯誤的平台會讓您浪費數週的設置時間、數百美元的 GPU 費用,或者得到最昂貴的結果:一個您無法在實際需要的地方部署的模型。
本指南誠實地涵蓋六個平台:每個真正擅長什麼、誰應該使用它,以及何時它是錯誤的選擇。
微調平台的五類
在比較具體平台之前,了解這些不都是同類產品會有所幫助:
視覺無代碼平台(Ertas、HuggingFace AutoTrain):通過 Web UI 上傳數據集,可視化配置訓練,導出結果。為非 ML 用戶設計。
托管雲端 API(Replicate、Together AI):通過 API 提供 GPU 基礎設施。您編寫代碼提交訓練任務;結果托管在他們的雲端。
無服務器 GPU 計算(Modal Labs):編寫帶有特殊裝飾器的 Python;獲得自動擴展的 GPU 基礎設施。針對想要控制而不管理服務器的 ML 工程師。
本地與 DIY 工具(Unsloth、Axolotl):您自己運行的開源工具(在您自己的 GPU、Colab 或租用的計算上)。截至 2026 年 10 月 30 日,Unsloth 除了 Python 函式庫,也提供無程式碼的 Desktop 應用程式和網頁介面;Axolotl 透過 YAML 和命令列使用。最大控制,硬體由您自備。
本地優先管道(特別是 Ertas):在雲端訓練,導出 GGUF 用於本地推論。輸出設計為在您自己的基礎設施上運行。
了解平台屬於哪個類別比任何功能清單都更能告訴您。
主要比較表
| 功能 | Ertas | Replicate | Modal Labs | HF AutoTrain | Together AI | Unsloth |
|---|---|---|---|---|---|---|
| Web GUI | 有(視覺畫布) | 沒有 | 沒有 | 有(基本) | 沒有 | 有(本機應用程式) |
| 無代碼 | 有 | 沒有 | 沒有 | 部分 | 沒有 | 有(Desktop 應用程式) |
| 設置時間 | 約 2 分鐘 | 約 30 分鐘 | 約 60 分鐘 | 約 15 分鐘 | 約 20 分鐘 | 約 45 分鐘 |
| GGUF 導出 | 有(一鍵) | 沒有 | 沒有 | 沒有 | 沒有 | 有(內建) |
| 本地部署 | 有(Ollama/llama.cpp) | 沒有 | 沒有 | 部分 | 沒有 | 有 |
| 數據隱私 | 僅訓練;本地運行 | 雲端存儲 | 雲端存儲 | HF Hub | 雲端存儲 | 自托管 |
| 定價模型 | 月度方案 + 隨用隨付點數 | 每 GPU 秒 | 每 GPU 秒 | 免費+按量付費 | 每令牌API | 免費(自托管) |
| 並發任務 | 無硬性上限(受點數限制) | 無限(昂貴) | 無限(昂貴) | 1(免費) | 1 | 1(您的硬件) |
| 團隊存取 | 共用帳號 | API 密鑰 | API 密鑰 | HF 組織 | API 密鑰 | 不適用 |
| 適合誰 | 非 ML 構建者、代理商 | ML 工程師、API 開發者 | ML 工程師 | HF 生態系統用戶 | API 推論用戶 | ML 工程師、研究人員 |
Unsloth 一欄根據 Unsloth 官方文件於 2026 年 10 月 30 日更新,此前它推出了無程式碼的 Unsloth Desktop 應用程式和 Studio 網頁介面。
平台概述
Ertas
Ertas 是一個視覺化的端到端微調平台。工作流程是:上傳 JSONL 數據集 → 在畫布上配置訓練 → 在雲端 GPU 上訓練 → 導出 GGUF → 用 Ollama 或 llama.cpp 在本地運行。關鍵差異化因素是 GGUF 導出和不需要 ML 專業知識的視覺界面。
優勢: 唯一具有從數據集到 GGUF 導出的完整視覺管道的平台。實驗畫布讓您並排運行和比較訓練運行。內置數據集合成和批量評估工具。可預測的月度定價(Builder $20/月,Pro $100/月,Business $200/月),點數同時支付訓練與 API 使用。代理商的每客戶項目管理。
弱點: 非為自定義訓練循環或特殊架構設計。免費層有限(完成信用卡驗證後一次性 150 點數,在 T4 GPU 上訓練 5B 以下模型)。比純代碼解決方案靈活性更低。
最適合: 獨立開發者、AI代理商、非技術創始人、需要在本地部署的微調 GGUF 模型的任何人。
Replicate
Replicate 是通過 API 運行和微調模型的雲端 ML 平台。其主要優勢是模型服務:您可以通過簡單的 API 調用運行數百個開源模型。微調可用,但次於推論產品。
優勢: 龐大的模型庫,非常快速的推論 API,良好的文件,活躍的社群。無服務器,沒有基礎設施需要管理。
弱點: API 優先意味著您需要代碼來使用它。微調模型存在於 Replicate 的雲端(沒有 GGUF 下載用於本地部署)。在高使用量時每秒 GPU 定價不可預測。數據傳輸到 Replicate 的服務器。
最適合: 想要雲端托管模型服務的 ML 工程師,需要無服務器推論而不管理基礎設施的開發者。
Modal Labs
Modal 是無服務器 GPU 計算。您編寫用 @app.function(gpu="A100") 裝飾的 Python 函數,Modal 處理所有基礎設施。這是 ML 工程師最靈活的選擇:任何您可以用 Python 編寫的,Modal 都可以大規模運行。
優勢: 極度靈活,任何 PyTorch/JAX/TensorFlow 代碼無需修改即可運行,自動擴展,突發 GPU 工作負載的競爭定價。
弱點: 需要 Python 和 ML 專業知識。沒有 GUI。沒有微調管道,一切都要您自己構建。對非工程師學習曲線陡峭。
最適合: 想要對訓練代碼完全控制而不管理 GPU 服務器的 ML 工程師。
HuggingFace AutoTrain
AutoTrain 是 HuggingFace 的無代碼微調產品。您上傳數據集,從 HuggingFace Hub 選擇基礎模型,然後訓練。結果托管在您的 HuggingFace Hub 空間上。
優勢: 與 HuggingFace 生態系統深度集成(超過 30,000 個可訪問模型),有免費層,UI 在改善,對 HF 用戶熟悉。
弱點: 模型默認留在 HuggingFace 的雲端。GGUF 導出需要額外步驟(非 原生)。UI 不如 Ertas 精緻。數據集格式引導較少。實驗追蹤有限。
最適合: HuggingFace 生態系統用戶,希望雲端托管微調模型的研究人員,已在 HF Hub 上投入的團隊。
Together AI
Together AI 主要是快速、便宜的雲端推論提供商,也提供微調。其微調模型通過 Together AI 的 API 訪問,並留在雲端。
優勢: 出色的推論速度(開源模型中最快之一),有競爭力的每令牌定價,可靠的微調 API。
弱點: 微調模型無法在本地部署(沒有 GGUF)。API 定價意味著規模化時成本可變。數據傳輸到 Together AI。
最適合: 想要雲端托管微調模型推論的團隊,自托管不切實際的高並發使用案例。
Unsloth / Axolotl
這些是您自己運行的開源工具。Unsloth 專注於快速訓練(速度提升 2 倍以上),截至 2026 年 10 月 30 日,除了 Python 函式庫,也提供免費的無程式碼 Desktop 應用程式和 Studio 網頁介面。Axolotl 專注於靈活性(用於複雜設置的 YAML 配置)。兩者都需要您擁有或租用 GPU 計算;Unsloth 也能在 Mac 上訓練。
優勢: 免費(您只支付計算費用),最大靈活性,活躍社群,研究人員測試過。
弱點: GPU(Unsloth 也可以用 Mac)要您自備,託管也要自己負責。Axolotl 還需要至少 30-60 分鐘設置和 YAML 專業知識,且沒有實驗追蹤 UI。
最適合: 希望最大控制和最低成本(在自己的硬件或租用計算上)的 ML 工程師和研究人員。
GGUF 本地部署問題
這些比較中很少討論的一個維度:訓練後會發生什麼?
大多數平台在其雲端托管您的微調模型並通過 API 服務它。這意味著:
- 每次推論請求都需要花費(按令牌)
- 您的模型依賴於他們的基礎設施正常運行時間
- 推論時客戶數據通過他們的服務器
- 成本隨使用量線性增加
Ertas Studio 採取不同的方法:在雲端訓練,導出 GGUF,在本地運行。一旦您有了 GGUF 文件,在您自己的基礎設施上推論不產生按 token 計的費用,您承擔的是運行它的硬體成本。對於每天服務超過幾百次查詢的任何應用程序,這種差異會迅速複利。如果您希望由 Ertas 託管模型,Ertas 端點的執行費用有三種計費方式(見定價頁面):按 token,適合流量多變或持續增長的情況;席位,即固定月費、token 無上限並設有最大並行上限,適合流量穩定的情況;專用 GPU,適合最高的用量。與前沿 API 的帳單相比,成本會從兩方面下降:每 token 的價格低於大型前沿模型,每項任務所需的 token 也更少。該端點目前僅限受邀企業使用,我們正在開發一個更精簡的版本,讓更多企業可以接入。
截至 2026 年 10 月 30 日,在這些工具中,Ertas(一鍵)、Unsloth(內建匯出)和 Axolotl(axolotl export)都可以直接產生可在本地運行的 GGUF。Axolotl 的匯出需要先合併 LoRA 訓練結果,產生量化檔案還需要一份已編譯的 llama.cpp(Axolotl 文件)。
決策框架
| 您的優先事項 | 推薦 |
|---|---|
| 不需要 ML 專業知識 | Ertas 或 HuggingFace AutoTrain |
| 必須在本地運行(隱私/成本) | Ertas |
| ML 工程師,完全代碼控制 | Modal Labs 或程式碼優先的訓練框架 |
| 僅雲端托管推論 | Replicate 或 Together AI |
| HuggingFace 生態系統集成 | HuggingFace AutoTrain |
| 管理多個客戶的代理商 | Ertas(代理商計劃) |
| 免費(自托管計算) | 在自己的 GPU 上執行開源訓練框架 |
| 可預測的月度成本 | Ertas |
| 無服務器突發 GPU 計算 | Modal Labs |
延伸閱讀
- Ertas 與 Unsloth 比較:在自己的 GPU 上訓練與在 Ertas Studio 託管雲端 GPU 上訓練的比較
- 無代碼微調AI: 無代碼微調工作流程如何運作
- GGUF 格式說明: GGUF 是什麼以及為何本地部署重要
- 在本地運行AI模型: 設置 Ollama 用於本地推論
- 獨立開發者AI模型成本 2026: 雲端 API 與本地模型 的經濟學

