ModelArts功能介绍
ModelArts融合算力与框架级性能调优，为开发者提供高效训练、灵活部署的一站式AI开发平台，包括数据准备、模型开发与训练、模型部署、实时比对、模型调测、资源管理、运维运营等功能。
| 开发阶段 | 功能模块 | 功能描述 |
|---|---|---|
| 数据准备 | 数据连接 | 数据获取是数据工程的第一步，ModelArts支持将不同来源和格式的数据导入平台，并生成“原始数据集”。通过数据连接功能，用户可以轻松将大量数据导入平台，为后续的数据加工和模型训练等操作做好准备。 |
| 数据精炼 | 数据精炼（Data Refining）提供一站式多模态数据智能加工优化能力。通过数据连接打通各类数据源的多模态数据，依托大模型、数据处理算子与模板能力，搭配可视化编排完成提取、格式转换、清洗过滤等基础处理，再结合人工校准实现全流程精加工，最终将原始数据加工为适配大模型训练的高质量、高可用标准数据集。 | |
| 模型开发与训练 | Notebook | ModelArts提供灵活开放的开发环境，无需本地配置环境，即开即用。支持PyTorch、TensorFlow、MindSpore等主流引擎，可通过 JupyterLab在线操作，或借助SSH连接搭配VS Code 等本地IDE远程开发。 |
| 模型训练 | ModelArts提供企业级AI分布式训练平台，全面兼容业内主流训练框架与模型，支持一键发起超大规模分布式任务，提供全栈加速、长稳可靠、敏捷易用的一站式训练解决方案，实现模型性能与业务迭代速度的双重跃升。 | |
| 强化学习 | 强化学习（Reinforcement Learning, RL）是一种让智能体通过与环境动态交互自主优化决策策略的机器学习范式，其核心机制模拟了生物从"试错-反馈-改进"中学习的过程。不同于监督学习依赖标注数据，RL智能体通过探索环境获得奖励信号，逐步调整行为策略以最大化长期累积收益，这种特性使其特别适用于动态环境下的序贯决策问题，如机器人控制、游戏AI和推荐系统等领域。 | |
| 模型推理 | 在线推理 | ModelArts的新一代分布式弹性推理平台集分布式部署、弹性推理、智能调度与高可靠性于一体，深度集成自研优化的vLLM推理框架，支持主流开源模型的一键部署，提供更高效、灵活、易用的大模型推理解决方案，助力企业快速实现AI应用落地。 |
| 模型评测 | 实时比对 | 模型实时比对功能提供了一个直观的比对平台，允许用户在完全一致的输入条件下，对不同模型进行横向评测。 |
| 评测任务 | 评测任务是测试和衡量大模型在现实世界情境中表现如何的过程，是了解大模型性能的关键。 在ModelArts模型的开发流程中，评测任务是在完成模型训练后，对尚未投入使用的模型做多方位评测，只有经过评测后的模型，才能部署上线并使用。是模型开发工具链的关键环节。 | |
| 资源管理 | 资源管理 | 提供各种算力资源及配套的资源调度能力，覆盖训推全场景，提高资源利用率。
|
