《W&B 全栈实战：打通 MLOps、LLMOps 与模型推理（修订第三版）》 围绕机器学习实验管理，Weights & Biases（W&B / WandB）已成为 OpenAI、Sakana AI 等生成式 AI 团队，以及 Kaggle 与学术研究中广泛使用的工程基础设施。本书由用户社区共同整理，从入门到进阶功能、实务工作流，再到 Kaggle 与生成式 AI 应用开发中的落地案例，系统汇总了“如何把 W&B 用好”的关键方法与最佳实践。 本修订第三版紧跟 W&B 的快速演进，进行了大幅增补与改写：新增并重点讲解 LLM 可观测性能力 Weave，作为独立章节深入介绍 Trace 记录、资产管理、评估、在线监控与防护栏、Playground 等内容；同时也抢先收录了与 CoreWeave 相关的 Inference/Training 等新方向，并对第 5 章应用案例进行了全面更新。无论你是 ML 工程师、LLM 应用开发者，还是希望提升实验与模型研发效率的 Kaggle 选手，这都是一本值得常备的实战指南。 一旦开始使用 W&B，你很可能就再也回不去。我们希望把这种顺滑、舒适的 ML 体验分享给更多工程师。 作者：Yuya Yamamoto、Keisuke Kamata、Richard Song、Yuma Tanabe、Takashi Shibata、Shota Ogihara、Takafumi Araki、Yoshihiro Matsumoto 译者：Richard Song 【目录】 第1章 引言 第2章 W&B Models 2.1 Experiments（实验管理） 2.2 Artifacts（工件） 2.3 Tables（表格） 2.4 Reports（报告） 2.5 Sweeps（超参数搜索） 2.6 Registry（注册表） 2.7 Automations（自动化） 第3章 W&B Weave 3.1 LLM 可观测性 3.2 什么是 Weave？ 3.3 使用 Weave 记录 Trace 3.4 Weave 中的资产管理 3.5 使用 Weave 评估生成式 AI 应用 3.6 Weave 的在线评估：监控与防护栏 3.7 Weave Playground 3.8 其他功能 3.9 本章小结 第4章 W&B Inference 与 CoreWeave 集成带来的新篇章 4.1 CoreWeave 收购 OpenPipe 4.2 W&B 的整体整合愿景 4.3 Inference 服务 4.4 Training 服务（Serverless RL） 4.5 与 CoreWeave 联动拓展的周边能力 4.6 小结 第5章 WandB 的应用案例 5.1 面向日语 LLM 的全面且持续评测实践：Nejumi LLM 排行榜 5.2 以自动驾驶为题材实践图像分割 5.3 使用 WandB 与 RDKit 分析化合物，并可视化子结构的特征重要性 5.4 AI 代理的可观测性、评估与监控 5.5 使用 BioNeMo 进行蛋白质语言模型的预训练与微调 5.6 Kaggle - LLM Science Exam 比赛回顾 5.7 在东京AI祭黑客松中的价值观匹配AI模型的开发与成果报告 5.8 使用 Weights & Biases Weave 评估“收据分录AI” 〜记账代行君的开发记〜 作者介绍