微调平台格局已经显著成熟。2023年,你只有两个选择:自己写 Python 脚本或租一块 GPU 自行摸索。2026年,至少有六种不同的语言模型微调方法,从完全托管的可视化界面到原始的无服务器 GPU 基础设施。
问题是这些平台常被当作替代品来比较,而它们各自解决的问题并不相同。选择错误的平台会让你浪费数周的搭建时间、数百美元的 GPU 费用,或者得到最昂贵的结果:一个无法部署到实际需要之处的模型。
本指南诚实地介绍六个平台:每个平台真正擅长什么、谁应该使用它,以及何时它是错误的选择。
微调平台的五个类别
在比较具体平台之前,了解这些产品并非同一类型会很有帮助:
可视化无代码平台(Ertas、HuggingFace AutoTrain):通过 Web UI 上传数据集,可视化配置训练,导出结果。为非 ML 用户设计。
托管云 API(Replicate、Together AI):通过 API 提供 GPU 基础设施。你编写代码提交训练任务;结果托管在他们的云上。
无服务器 GPU 计算(Modal Labs):用特殊装饰器编写 Python;获得自动扩展的 GPU 基础设施。适合想要控制但不想管理服务器的 ML 工程师。
本地与 DIY 工具(Unsloth、Axolotl):你自己运行的开源工具(在自己的 GPU、Colab 或租用的计算资源上)。截至 2026 年 10 月 30 日,Unsloth 除了 Python 库,还提供无代码的 Desktop 应用和网页界面;Axolotl 通过 YAML 和命令行使用。最大控制,硬件由你自备。
本地优先流水线(特指 Ertas):在云端训练,导出 GGUF 用于本地推理。输出设计为在你自己的基础设施上运行。
了解平台属于哪个类别比任何功能清单都更有意义。
总体对比表
| 特性 | Ertas | Replicate | Modal Labs | HF AutoTrain | Together AI | Unsloth |
|---|---|---|---|---|---|---|
| Web GUI | 是(可视化画布) | 否 | 否 | 是(基础) | 否 | 是(本地应用) |
| 无代码 | 是 | 否 | 否 | 部分 | 否 | 是(Desktop 应用) |
| 搭建时间 | 约2分钟 | 约30分钟 | 约60分钟 | 约15分钟 | 约20分钟 | 约45分钟 |
| GGUF 导出 | 是(一键) | 否 | 否 | 否 | 否 | 是(内置) |
| 本地部署 | 是(Ollama/llama.cpp) | 否 | 否 | 部分 | 否 | 是 |
| 数据隐私 | 仅训练时上云;运行时本地 | 云存储 | 云存储 | HF Hub | 云存储 | 自托管 |
| 定价模式 | 月度套餐 + 随用随付积分 | 按 GPU 秒计费 | 按 GPU 秒计费 | 免费 + 按量付费 | API 按 token 计费 | 免费(自托管) |
| 并发任务 | 无硬性上限(受积分限制) | 无限(昂贵) | 无限(昂贵) | 1个(免费) | 1个 | 1个(你的硬件) |
| 团队协作 | 共享账户 | API 密钥 | API 密钥 | HF 组织 | API 密钥 | 不适用 |
| 适合人群 | 非 ML 构建者、代理机构 | ML 工程师、API 开发者 | ML 工程师 | HF 生态用户 | API 推理用户 | ML 工程师、研究人员 |
Unsloth 一列根据 Unsloth 官方文档于 2026 年 10 月 30 日更新,此前它推出了无代码的 Unsloth Desktop 应用和 Studio 网页界面。
平台详细介绍
Ertas
Ertas 是一个可视化的端到端微调平台。工作流程是:上传 JSONL 数据集 → 在画布上配置训练 → 在云 GPU 上训练 → 导出 GGUF → 用 Ollama 或 llama.cpp 本地运行。关键差异化在于 GGUF 导出和无需 ML 专业知识的可视化界面。
优势: 唯一具有从数据集到 GGUF 导出的完整可视化流水线的平台。实验画布让你并排运行和比较训练运行。内置数据集合成和批量评估工具。可预测的月费定价(Builder $20/月,Pro $100/月,Business $200/月),积分同时用于训练和 API 使用。代理机构可按客户管理项目。
劣势: 不适合自定义训练循环或特殊架构。免费层有限(完成银行卡验证后一次性 150 积分,在 T4 GPU 上训练 5B 以下模型)。灵活性不如纯代码方案。
最适合: 独立开发者、AI 代理机构、非技术创始人,以及任何需要微调 GGUF 模型并本地部署的人。
Replicate
Replicate 是一个通过 API 运行和微调模型的云 ML 平台。主要优势是模型服务:你可以通过简单的 API 调用运行数百个开源模型。微调功能可用但次于推理产品。
优势: 庞大 的模型库,推理 API 非常快,文档完善,社区活跃。无服务器,无需管理基础设施。
劣势: API 优先意味着你需要代码才能使用。微调模型存在 Replicate 的云中(无法下载 GGUF 本地部署)。按秒计费的 GPU 定价在高量时不可预测。数据发送到 Replicate 的服务器。
最适合: 需要云托管模型服务的 ML 工程师,需要无服务器推理而不管理基础设施的开发者。
Modal Labs
Modal 是无服务器 GPU 计算。你编写用 @app.function(gpu="A100") 装饰的 Python 函数,Modal 处理所有基础设施。这是 ML 工程师最灵活的选择:你能用 Python 写的任何东西,Modal 都能规模化运行。
优势: 极致灵活性,任何 PyTorch/JAX/TensorFlow 代码无需修改即可运行,自动扩展,突发 GPU 工作负载价格有竞争力。
劣势: 需要 Python 和 ML 专业知识。无 GUI。无微调流水线,一切都要自己构建。对非工程师来说学习曲线陡峭。
最适合: 想要完全控制训练代码而不管理 GPU 服务器的 ML 工程师。
HuggingFace AutoTrain
AutoTrain 是 HuggingFace 的无代码微调产品。你上传数据集,从 HuggingFace Hub 选择基础模型,然后训练。结果托管在你的 HuggingFace Hub 空间。
优势: 与 HuggingFace 生态深度集成(可访问 30,000+ 模型),有免费层,UI 在改善,HF 用户熟悉。
劣势: 模型默认留在 HuggingFace 的云中。GGUF 导出需要额外步骤(非原生)。UI 不如 Ertas 精致。数据集格式引导较 少。实验跟踪有限。
最适合: HuggingFace 生态用户、想要云托管微调模型的研究人员、已投入 HF Hub 的团队。
Together AI
Together AI 主要是快速、廉价的云推理提供商,也提供微调。微调模型通过 Together AI 的 API 访问,并留在云中。
优势: 优秀的推理速度(开源模型中最快之一),有竞争力的按 token 定价,可靠的微调 API。
劣势: 微调模型无法本地部署(无 GGUF)。API 定价意味着规模化时成本可变。数据发送到 Together AI。
最适合: 需要云托管微调模型推理的团队,自托管不现实的高并发场景。
Unsloth / Axolotl
这些是你自己运行的开源工具。Unsloth 专注于快速训练(2倍以上加速),截至 2026 年 10 月 30 日,除了 Python 库,还提供免费的无代码 Desktop 应用和 Studio 网页界面。Axolotl 专注于灵活性(YAML 配置复杂设置)。两者都需要你拥有或租用 GPU 计算资源;Unsloth 也能在 Mac 上训练。
优势: 免费(你只付计算费用),最大灵活性,活跃社区,经过研究人员实战验证。
劣势: GPU(Unsloth 也可以用 Mac)要你自备,托管也要自己负责。Axolotl 还需要至少 30-60 分钟搭建和 YAML 专业知识,且没有实验跟踪 UI。
最适合: 想要最大控制和最小成本的 ML 工程师和研究人员(在自己的硬件或租用计算资源上)。
GGUF 本 地部署问题
这些比较中很少讨论的一个维度:训练完成后会怎样?
大多数平台将你的微调模型托管在他们的云中,通过 API 提供服务。这意味着:
- 每次推理请求都要花钱(按 token)
- 你的模型依赖他们的基础设施运行时间
- 推理时客户数据经过他们的服务器
- 成本随使用量线性增长
Ertas Studio 采用不同的方法:在云端训练,导出 GGUF,本地运行。一旦你有了 GGUF 文件,在你自己的基础设施上推理不产生按 token 计的费用,你承担的是运行它的硬件成本。对于任何每天处理数百个以上查询的应用,这种差异会快速累积。如果你希望由 Ertas 托管模型,Ertas 端点的运行费用有三种计费方式(见定价页面):按 token,适合流量多变或持续增长的情况;席位,即固定月费、token 不限量并设有最大并发上限,适合流量稳定的情况;专用 GPU,适合最高的用量。与前沿 API 的账单相比,成本会从两方面下降:每 token 的价格低于大型前沿模型,每项任务所需的 token 也更少。该端点目前仅限受邀企业使用,我们正在开发一个更简化的版本,让更多企业可以接入。
截至 2026 年 10 月 30 日,在这些工具中,Ertas(一键)、Unsloth(内置导出)和 Axolotl(axolotl export)都可以直接生成可本地运行的 GGUF。Axolotl 的导出需要先合并 LoRA 训练结果,生成量化文件还需要一份已编译的 llama.cpp(Axolotl 文档)。
决策框架
| 你的优先级 | 推荐 |
|---|---|
| 不需要 ML 专业知识 | Ertas 或 HuggingFace AutoTrain |
| 必须本地运行(隐私/成本) | Ertas |
| ML 工程师,完全代码控制 | Modal Labs 或代码优先的训练框架 |
| 仅云托管推理 | Replicate 或 Together AI |
| HuggingFace 生态集成 | HuggingFace AutoTrain |
| 管理多客户的代理机构 | Ertas(Agency 套餐) |
| 免费(自托管计算) | 在自己的 GPU 上运行开源训练框架 |
| 可预测的月度成本 | Ertas |
| 无服务器突发 GPU 计算 | Modal Labs |
延伸阅读
- Ertas 与 Unsloth 对比:在自己的 GPU 上训练与在 Ertas Studio 托管云端 GPU 上训练的对比
- Fine-Tune AI Without Code: 无代码微调工作流如何运作
- GGUF Format Explained: 什么是 GGUF 以及本地部署为何重要
- Running AI Models Locally: 搭建 Ollama 进行本地推理
- Indie Dev AI Model Costs 2026: 云 API vs 本地模型的经济学

