TIO AUTOPLAT · 智能层 · 训练底座

AIBase宽域模型训练底座

支持语言、语音、视觉、多模态、时序等多类训练，LLM 支持 LoRA 微调，训练节点可按需扩展。一个训练底座覆盖数据集、标注、训练与微调、评测门禁、部署与发布；数据集直接来自 DataHub，发布后同步给 AIHub 推理使用。

多类
语言、语音、视觉、多模态、时序等训练
LoRA
LLM 支持 LoRA 微调
门禁
评测未通过，可阻断发布
按需
训练节点可按需扩展

企业的模型不止一种，训练却各自为政

大模型微调、视觉检测、语音与时序预测分散在不同工具和团队之间。

各类模型混在一个流程
大模型微调、视觉检测、时序预测的工作方式完全不同，却被塞进同一套流程。
数据准备在另一套系统
训练数据从业务系统导出、清洗、上传，版本和来源说不清。
评测与发布脱节
模型训练完不知道效果如何，也不知道如何交给业务系统使用。

一条流水线，七个步骤

选择一个模型类别，看它从数据走到上岗。

  • 数据集：从 DataHub 湖表、训练集或本地文件导入，版本、切分与质检画像
  • 标注：模板化标注，预填、审核、争议仲裁、一致性与金标准
  • 训练：训练配方与数据契约，日志、指标、检查点实时可见
  • 评测：标准评测集与对比报告，过拟合自动提示
  • 部署：推理服务部署，资源与节点统一管理
  • 发布：发布到 AIHub 能力目录，进入岗位工具白名单
  • 回流：线上反馈与难例回流数据集，进入下一轮迭代
数据集
标注
训练
评测
部署
发布
回流
视觉 · 1/7 数据集
从 DataHub 湖表、训练集或本地文件导入，版本、切分与质检画像

宽域：一个底座，六类模型

每一类模型都有贴合其工作方式的标注与训练流程，但共用同一套数据集、评测、部署与发布。

大语言模型语言理解视觉语音多模态小模型
标注SFT 对话、偏好对比、评分量表句对与 Rerank框选与类别ASR 分段、TTS 韵律图文对齐与描述表格与时序
训练LoRA 微调Embedding / 匹配模型检测与分类识别与合成多模态理解XGBoost 等
典型用途企业问答与生成检索与语义匹配工业质检、缺陷识别语音识别与合成图文理解与检索预测与评分

训练底座：节点、资源与门禁

训练不是一台机器上的脚本，而是可调度、可观测、可阻断的平台能力。

训练节点按需扩展
训练节点内置 8 类训练器，依赖在部署时按需安装；节点可按需扩展，失败任务可重试与对账。
训练节点与资源画像
训练节点统一登记，资源画像与运行环境按任务注入，GPU 节点按显存等标签校验。
评测门禁
评测作业与实验管理；评测未通过可阻断发布，模型产物登记并做一致性校验。
发布与回滚
部署、健康检查与下线；发布或回滚后同步至平台模型配置，供 AIHub 推理。

关键能力

数据集管理
本地文件与 DataHub 湖表、训练集、Parquet 导入；版本、切分、派生对比、质检画像与血缘。
标注工作台
标注模板、模型预填、审核与争议、一致性检查、金标准与导出。
训练与微调
训练配方 Profile、数据契约 Schema、作业重试对账，日志、指标、检查点与过拟合提示。
评测与对比
评测集管理，多版本模型对比，评测结果决定是否发布。
推理部署
推理服务部署与训练节点管理，算力资源统一调度。
安全治理
运维员、安全员、审计员三员分立；平台级元数据与租户数据只读引用，边界清晰。

各模型域的训练方式与数据来源按项目启用，具体以交付范围为准。

在 AUTOPLAT 中的供给链

DataHub 供数，AIBase 训模，AIHub 用模——训练底座与推理运行时分工明确。

为企业的每一类模型，建一个训练底座

预约演示，看一个模型如何从 DataHub 数据走到标注、训练、评测门禁，再发布给 AIHub。