为什么我们为机器学习构建了画布界面

我们使用的每个机器学习工具都遵循相同的模式：写脚本、在终端中运行、检查日志、调整配置文件、再运行一次。整个工作流活在文本中——从配置到监控到评估。

我们不断回到同一个问题：为什么微调模型感觉像管理服务器，而我们真正做的是比较实验？

那个问题让我们将Ertas Studio构建为可视化画布而非又一个CLI工具。

基于终端的ML工作流的问题

实验管理是空间性的

当你比较微调运行时，你需要并排看它们。在终端工作流中，这些信息分散在日志文件、单独的终端窗口和跟踪实验参数的电子表格中。

这是一个被强制放入顺序界面的空间问题。

配置是隐藏的

YAML配置文件是一面文字墙。更改一个参数意味着在文件中找到它并理解它与其他参数的关系。

受众错了

基于CLI的ML工具假设用户是在终端中舒适的ML工程师。但拥有最深领域知识的人——能整理最好训练数据并最有效评估结果的人——通常不是ML工程师。

画布改变了什么

并排比较

在画布上，你空间地排列实验。两个微调运行彼此相邻。它们的损失曲线重叠。一目了然地看到哪个配置更好。

直接操作

调整超参数是一个滑块，不是对配置文件的编辑。开始训练运行是一个按钮，不是终端命令。

渐进式披露

画布可以向你展示你需要的恰当复杂度。快速训练运行的默认设置。可展开的面板用于精细控制。

共享理解

可视化工作空间可以共享。产品经理可以看画布并理解运行了哪些实验和结果如何。

我们做的设计决策

画布就是工作空间

Ertas Studio不是你填写提交的表单。它是你空间地排列数据集、模型、训练运行和评估的工作空间。

同时训练

在画布上自然地：复制训练配置，更改一个参数，同时运行两者。结果并排出现。

GGUF作为出口

我们不想构建又一个围墙花园。画布是实验的地方。GGUF是你离开的方式。

智能默认值，完全控制

每个设置都有经过充分测试的默认值。对于大多数用户，用默认值点击"开始训练"会产生好结果。但每个参数对想要完全控制的用户都是可调的。

我们学到了什么

领域专家比ML工程师产生更好的训练数据。 当我们移除终端障碍时，训练数据集的质量显著提高。

比较是核心活动。 大部分微调不是训练——而是评估和比较。

基础设施不应该可见。 GPU配置、CUDA驱动、训练框架版本——这些对想构建自定义模型的人来说都不重要。

可视化工具并不弱。 这是我们进入时最大的误解。相反，可视化界面使某些工作流显著强大于CLI等价物。

自己试试

Ertas Studio是我们认为微调应该工作的方式：可视化、并行和可访问——而不牺牲经验丰富的从业者需要的能力。

Ertas 套餐 $10/月起。 查看定价 →