Weights & Biases 是面向機器學習工程師的 AI 開發者平台，用於追蹤實驗、搜尋超參數、管理資料集與模型版本，並追蹤生產環境中的大模型代理。2025 年 5 月被 CoreWeave 收購，以 Python SDK 形式接入，提供免費檔、Pro 檔與自架部署。
用過這個工具嗎？為它評分
Weights & Biases 在業界幾乎一律簡稱 W&B，而 Python 套件名與網域則是 wandb，這也是本條目 slug 的由來。它是一個面向 AI 開發者的平台，官方給自己的定位是「AI 工作的記錄系統」。官網首頁的說法是「讓你有把握地打造 AI 代理、應用與模型的開發者平台」，而在各產品頁反覆出現的那個詞組帶有明顯的檔案色彩：數千家公司把 W&B 當作訓練 AI 模型與開發 AI 應用的 system of record，也就是唯一權威的記錄來源。
這個定位同時說明了它不是什麼。它不是模型，不是託管的筆記本環境，也不是給不寫程式的人使用的拖拉式介面。與 W&B 的每一次實質互動，都發生在一段已經在訓練模型或已經在呼叫大型語言模型的 Python 程式內部。換句話說，它承擔的正是機器學習實驗追蹤這項基礎工作。這個工具的職責是觀察那段程式，把發生過的事情以持久且可比較的形式寫下來，並讓幾個月後接手的同事能夠檢索到那次執行的全貌——即使執行當下他並不在場。
公司成立於 2017 年，創辦人共有三位。第一位是 Lukas Biewald，第二位是 Chris Van Pelt，第三位則是 Shawn Lewis。這三位創辦人在成立本公司之前，還曾一起創辦過另一家名為 Figure Eight 的資料標註公司。官網關於我們頁對當初想解決的問題寫得相當具體：那時追蹤模型基本上靠人工，重現模型幾乎不可能，而深度學習本身卻在飛速推進。最初為了在 OpenAI 訓練模型而開發的實驗追蹤方案，後來成長為端到端的 MLOps 平台。GitHub 的資料獨立佐證了成立時點——wandb/wandb 儲存庫建立於 2017 年 3 月 24 日。
在 2026 年評估 W&B，必須從歸屬變更談起，因為它同時影響產品路線與資料處理鏈路。2025 年 5 月，Weights & Biases 被 CoreWeave 收購——這句話取自 W&B 自家的關於我們頁面，並從買方一側獲得佐證：CoreWeave, Inc.（那斯達克代碼 CRWV）於 2025 年 5 月 5 日在紐澤西州 Livingston 宣布已完成對 Weights & Biases 的收購。
關於這筆交易，有兩點需要謹慎處理，因為流傳最廣的版本比證據本身更篤定。
第一是價格。TechCrunch 的報導明確寫著 CoreWeave 是以「未揭露金額」完成收購，而被反覆引用的 17 億美元這個數字，該文註明是引述 The Information 的報導，並非來自交易任何一方。逐字讀完 CoreWeave 的交割新聞稿，全文根本沒有出現交易金額。所以誠實的說法是：交易額據產業媒體轉述約為 17 億美元，對照該公司在 2023 年錄得的 12.5 億美元估值——而不是「雙方揭露交易額為」。撰寫採購評估時，這個數字應當被視為新聞報導而非揭露文件。
第二，營運主體並未改變。主服務協議開篇仍寫明締約方為 Weights and Biases, LLC，一家德拉瓦州有限責任公司，主要營業地在加州舊金山 400 Alabama Street, Suite 202。合約仍與該實體簽訂，仍適用紐約州法。
真正變化的痕跡留在三處。領導層名單上，共同創辦人 Lukas Biewald 的頭銜已是「總經理暨共同創辦人」而非執行長，另兩位共同創辦人掛的是「傑出工程師」——這與「併入大型上市公司後成為事業單位」的組織形態一致。官網首頁頂部橫幅推廣的是 CoreWeave Sandboxes，也就是用於安全地大規模執行 AI 代理與模型產生程式碼的隔離環境，母公司的基礎設施已經以一等公民的身分出現在 W&B 的產品介面裡。而無伺服器推論這條產品線，官方措辭直接寫的就是「由 CoreWeave 提供運算支撐」。
對擔心廠商鎖定的使用者，CoreWeave 在交割新聞稿中做出了明確承諾：將繼續致力於 Weights & Biases 平台的互通性，使客戶可以自由選擇任何部署方式、任何基礎設施供應商，以及任何基礎模型、框架或協定。這是一項公開承諾而非合約條款，應當照此理解——但它確實白紙黑字在案，也是「現在採購 W&B 是否等於綁定某一家 GPU 雲」這個問題最直接的答案。
公司自述團隊為 270 人「且仍在增加」，分布於全球各地。至於採用規模的數字則需要更謹慎。TechCrunch 報導的口徑是超過 1,400 家機構（含 AstraZeneca 與 Nvidia）把這套工具用作訓練與微調 AI 模型的記錄系統。這屬於廠商自報數字經媒體轉述，未經獨立稽核，此處照實標註而非當作已核實的事實呈現。
相較之下，開源部分是可以直接核對的。wandb/wandb 用戶端函式庫採用 MIT 授權，語言為 Python，撰稿時顯示 11,239 顆星、886 個 fork、954 個未關閉 issue，並且在本頁調查當天仍有程式碼推送。另一個獨立儲存庫 wandb/weave 屬於下文會談到的另一條產品線，採用的是 Apache-2.0 授權，1,121 顆星、226 個未關閉 issue。請注意兩個儲存庫的授權並不相同，對其中之一完成的法務評估不能直接套用到另一個上。也請注意星數容易掩蓋的那條界線：開源的是用戶端 SDK 與 Weave 函式庫，而不是保存你執行記錄的那個託管服務。
W&B 可以理解為共用一個帳戶、一套儲存配額體系與一個 Python 入口的七塊產品面。官方導覽把它們劃分為七塊。第一塊是負責模型建構與管理的 Models，第二塊是負責微調的 Training，第三塊是負責推論服務的 Inference。第四塊是面向 GenAI 應用的 Weave，第五塊是負責資產管理的 Registry。第六塊是集合了報表與自動化的 Core，最後一塊則是負責部署形態的 Secure deployment。
實驗追蹤至今仍是根基，廠商的描述與那個檔案式的比喻完全一致：模型訓練的記錄系統，只需幾行程式碼即可追蹤每一個模型、指標與超參數，從而重現結果、除錯模型表現，並在單一儀表板內更快地最佳化。
接入的程式碼確實很少。用 wandb.init(project="my_first_project") 開啟一次執行，超參數掛到 run.config，指標用 run.log({"loss": ...}) 推送，模型檔案用 run.log_artifact() 擷取。最後這個呼叫是追蹤跨入資產管理的界線：執行期間記錄的 artifact 會被版本化並進入血緣圖譜，而不是留在某台明天就會被回收的訓練節點上。
W&B Sweeps 負責超參數最佳化，而它是少見會指名自家演算法、而非含糊暗示獨門祕方的廠商頁面。除了可自訂邏輯外，它提供貝氏最佳化，早停則明確採用 Hyperband 演算法以節省 GPU 時數——讓最有希望、表現最好的執行繼續跑，把墊底的終止掉，從而釋放 agent 去嘗試新的超參數組合。透明度的主張寫得很直白：我們會引用所使用的全部演算法，並展示搜尋全過程的日誌。
對 ML 工程師這個受眾而言，這種揭露比任何跑分圖表都更有說服力。你可以據此判斷 Hyperband 那種積極的提前終止是否適合自己的損失曲線，而面對一個不具名的「智慧搜尋」你沒辦法做這種推理。
Weave 是第二條產品線，解決的問題與模型訓練截然不同。它的入口是 weave.init() 加上作用於函式的 @weave.op() 裝飾器，之後平台會追蹤 LLM 呼叫、文件檢索與代理的每一個步驟。
定價對照表逐項列出了 Weave 涵蓋的範圍：tracing，也就是在開發與生產兩個階段監控並分析 GenAI 模型表現，擷取每次推論的輸入、輸出與中介資料；evaluation；生產監控，也就是把微調、RAG、不同 LLM 與資料集等方案在準確率、延遲與 token 用量上並排比較；LLM-as-a-judge 指標；以及 PII 資料遮蔽。
其中方案並排比較這一項，最貼近 GenAI 工作的真實形態，也是大模型可觀測性在實際工程中最有價值的落點。問題很少是「這個模型好不好」，幾乎總是「在我們自己的資料上，這個微調版本是否優於那套 RAG 設定，以及各自的延遲與 token 成本如何」。
資產層的幾項能力在文件中都有專門的產品名稱。資料集與模型版本管理叫 W&B Artifacts，互動式資料視覺化叫 W&B Tables，協作儀表板叫 W&B Reports。Registry 位於它們之上，扮演的正是模型註冊表這一角色，負責管理資料集、模型、提示詞、程式碼與中介資料，並做血緣追蹤。
Core 則打包了其餘的基礎設施：Reports、Automations、SDK，以及一項透露產品走向的新增內容——面向代理的 Skills 與 MCP server。
Inference 是最新的一塊產品面，也是受收購影響最明顯的一塊。官方說法是：由 CoreWeave 提供運算支撐的無伺服器推論，提供 API 與 playground 兩種存取方式，可直接使用主流開源大型語言模型，無需註冊託管服務商或自行部署模型。你也可以上傳自己訓練的 LoRA 權重，對微調後的模型執行無伺服器推論——這就把過去需要三家供應商才能閉合的鏈路收進了同一處：在這裡訓練、在這裡登記轉接器、在這裡提供服務。
計價按模型分別設定，且區分輸入、快取輸入與輸出三檔。撰稿時可在官網核實的兩個範例：NVIDIA Nemotron 3.5 Lightning 為每百萬 token 輸入 0.10 美元、快取 0.05 美元、輸出 0.25 美元，脈絡長度 262K；DeepSeek V4-Flash-0731 為輸入 0.13 美元、快取 0.07 美元、輸出 0.28 美元，同樣是 262K。模型清單會隨新的開源權重發布而滾動更新，請以官網定價頁為準，不要依賴任何時點的快照。
框架清單相當廣，且每一項在官網都附有可執行的程式碼。面向大型語言模型應用的有 LangChain 與 LlamaIndex 兩套框架。深度學習框架方面涵蓋了 PyTorch 本體，以及 Hugging Face 推出的 Transformers 訓練函式庫和封裝更高一層的 PyTorch Lightning。Google 一側的 TensorFlow 與建立在其上的 Keras 同樣在列。傳統機器學習方面則支援 scikit-learn 這個通用函式庫，以及梯度提升領域常用的 XGBoost。其中 Transformers 的接入路徑最短：在 TrainingArguments 中加上 report_to="wandb" 就夠了，trainer.train() 一旦啟動，日誌記錄會自動開始。
官網宣布推出 Weights & Biases 行動應用程式，自述為首個可隨時隨地監控 AI 實驗與追蹤訓練執行的 iOS 應用。這件事值得單獨一提，理由不在功能本身：GitHub 上一條標題為「wandb 行動端／桌面端應用？」的 issue 自 2022 年 6 月起就一直開著，累計 27 個表態與 59 則留言。這是一個社群長期訴求最終被滿足的案例。
最典型的情境是以 GPU 日為單位計量的訓練任務，而半年後真正重要的交付物往往不是那個 checkpoint，而是關於這個 checkpoint 如何產生的說明。設定、指標、系統狀態與模型檔案全部落進同一筆執行記錄。當生產環境出現退化時，「能用的那版模型和不能用的這版之間到底改了什麼」這個問題就有了可檢索的答案。
帶 Hyperband 早停的 Sweeps 與其說是精度工具，不如說同時是預算工具。及早終止墊底的執行、把 agent 重新分配給新組合，正是把一次負擔不起的網格搜尋變成可行方案的關鍵；隨後的參數重要性視覺化則會告訴你，哪幾個旋鈕才是真正起作用的。
對於打造代理而非訓練模型的團隊，入口是 Weave。端到端追蹤一次請求經過檢索與模型呼叫的全過程，逐次推論擷取輸入與輸出，然後在準確率、延遲與 token 用量三個維度上比較候選方案，再決定把哪一個推上生產。PII 資料遮蔽這項能力之所以存在，正是因為面向客戶的助理在生產環境留下的鏈路資料裡必然含有客戶資訊。
醫療、金融與公部門的團隊通常無法把原始訓練資產送進多租戶 SaaS。Bring Your Own Bucket 這條路徑正是為此存在的——但它有一處重要的例外，「支援平台」章節會說清楚。
學術免費檔相當慷慨，具體條款見價格章節。對一個要在多名學生之間執行大量小實驗的實驗室而言，不限追蹤時數加上 100 個席次會徹底改變成本結構。不過在把敏感研究放進去之前，請先讀「限制與注意事項」中關於授權的那一條。
先訓練或微調，在 Registry 中為轉接器做版本管理，再透過無伺服器推論把 LoRA 權重跑起來。這種整合是新出現的，也是迄今為止 CoreWeave 結合在產品層面最清晰的一項紅利。
1. 安裝並認證。 執行 pip install wandb，然後用 API key 登入。這裡有一處社群記錄在案的已知摩擦：一條標題為「wandb.login() 在 Google Colab 上每次嘗試都卡住隨後斷線」的 issue 自 2021 年 4 月起一直開著，累計 15 個表態與 38 則留言。如果你主要在託管筆記本環境工作，請為認證握手預留一點時間。
2. 開啟執行並記錄設定。 在訓練腳本頂部呼叫 wandb.init(project=...)，把超參數指派給 run.config。這一步要在訓練前而不是訓練後做——設定正是日後讓不同執行可比較的東西，缺了它的執行記錄只是一張沒有說明的圖表。
3. 在訓練迴圈內記錄指標。 用 run.log({"loss": loss})，頻率視任務而定。官網的 PyTorch 範例是每 args.log_interval 個 batch 記錄一次，這個直覺是對的：記得夠密才能看出趨勢，夠疏才不會把儀表板淹掉。
4. 擷取 artifact。 run.log_artifact("./my_model.pt", type="model") 會把模型放進版本化的血緣圖譜。如果權重本來就在雲端儲存裡，請改用參照型 artifact——存放在外部儲存桶中的資料不計入儲存配額，只有中介資料才計。
5. 用了受支援的框架就走捷徑。 如果你用的是 Hugging Face 推出的 Transformers 訓練框架，那麼在 TrainingArguments 裡加上 report_to="wandb" 這一行，就是全部的整合工作了。如果你用的是 PyTorch Lightning，那麼建立一個 WandbLogger 實例並把它傳給 Trainer 即可。在多數常見的技術堆疊裡，你都沒有必要自己手寫日誌記錄邏輯。
6. 單次執行看膩了就轉 Sweeps。 定義搜尋空間，其餘交給 agent。輸入分布可以自己挑，早停務必打開，好讓 GPU 預算花在有希望的區域。
7. 凡是含模型呼叫的程式碼都加上 Weave。 weave.init("你的專案名") 再給關心的函式加 @weave.op。裝飾器這種做法意味著你是在為既有程式碼加註解，而不是重構它。
8. 為團隊裡的人設定好 Reports 與 Automations。 Report 是訓練結果變成同事能讀的東西的地方；Automations 以及 Slack 與電子郵件告警（Pro 檔及以上可用）則讓你不必一直盯著儀表板。
9. 在擴容之前而非之後決定部署形態。 多租戶、專屬還是客戶自管——如果資料落地是硬性限制，請仔細讀 BYOB 那一節，因為它的涵蓋範圍在不同產品線上並不一致。
ML 工程師與研究科學家是主要受眾，也是每一個入口都做成 Python import 的原因。如果你的工作產出是一段訓練腳本，那這就是給那段腳本用的儀表。
GenAI 應用開發者是從 Weave 而不是從實驗追蹤進來的。他們可能一筆訓練執行都不會記錄，卻仍能從鏈路追蹤與評估中獲得完整價值。
ML 平台與基礎設施團隊關心的是部署矩陣、BYOB 的作用範圍、SSO、SCIM 自動佈建、自訂角色與稽核日誌——也就是讓這套東西能在資安審查面前站得住的那部分。
學術研究者可以取得免費的 Pro 授權，條款見下文，但要留意「限制」章節中關於資料使用的那一條。
個人開發者與學習者可以長期停留在免費檔，也可以用 wandb server start 跑一個本機伺服器——不過本機的 Personal 檔帶有一條很關鍵的授權限制（見「限制」章節）。
它不適合誰： 任何在找無程式碼 AI 工具的人。這個產品裡不存在一條不需要寫 Python 的有意義路徑。另外，專門要求 GenAI 鏈路資料必須落在自有儲存的團隊，在決定之前務必先讀 BYOB 的例外條款。
W&B 跑在你的訓練程式碼跑的任何地方——它是一個函式庫加一個服務，而不是一個有系統需求的應用程式。真正有差別的是那個服務本身放在哪裡。
定價頁把 SaaS（多租戶雲）、Dedicated（專屬）與 Customer-managed（客戶自管）三者並列。企業檔另加單租戶選項與區域選擇權。
門檻被刻意壓得很低：自架只需機器上裝有 Docker 與 Python，伺服器端可執行於滿足該需求的 Linux、macOS 或 Windows 上。啟動就是兩條指令——pip install wandb 然後 wandb server start。
責任的交換關係廠商寫得很直白：自架讓你完全掌控自己的資料與隱私，但資料儲存與備份的管理要由你自己負責。這是這筆交易的誠實版本，值得轉述給任何認為自架天然更安全的人聽。
BYOB 讓你把 artifact 與其他敏感資料存放在自有雲端或地端基礎設施中。在專屬雲與多租戶雲下，W&B 不會把你存在自有儲存桶裡的資料複製到 W&B 託管的基礎設施。受支援的儲存後端有好幾種。其中既有母公司提供的 CoreWeave AI Object Storage，也有亞馬遜的 S3 物件儲存。Google 的雲端儲存與微軟的 Azure Blob Storage 同樣在列。除公有雲之外，託管在你自有環境中的 S3 相容儲存也可以使用，例如企業版的 MinIO 儲存系統。SDK、CLI、UI 與你的儲存桶之間透過預簽名 URL 通訊。
有兩條限定決定了這項能力能否真正滿足一條合規要求，而且兩條都出自技術文件而非行銷頁面。
第一條是按部署形態劃分的作用範圍。 多租戶雲只支援團隊層級 BYOB，實例層級在該形態下不適用；專屬雲與自管部署則兩個層級都支援。
第二條更要緊：W&B 平台的安全儲存連接器，也就是 BYOB，不適用於 Weave。 如果你的資料落地要求涵蓋 GenAI 應用的鏈路資料——也就是生產環境中大型語言模型呼叫的輸入與輸出——那麼 BYOB 目前解決不了這個問題。對評估平台 GenAI 一側的受監管團隊而言，這是最重要的一條限制，而它很容易被漏掉，因為定價表裡只把它呈現成一句簡短的註腳「Weave 不適用」。
即便啟用了 BYOB，資料仍然是分置的。 中央資料庫保留使用者、團隊、artifact、實驗與專案的中介資料，以及 Reports、實驗日誌、系統指標與主控台日誌；你的儲存桶裡存放的是實驗檔案與指標、artifact 檔案、媒體檔案、run 檔案，以及匯出的 Parquet 格式歷史指標與系統事件。「用自己的儲存桶」並不等於「什麼都不出你的邊界」。
有一個 iOS 應用可用於監控實驗與追蹤訓練執行。站台在地化則只做了一部分：對行銷網站的連結列舉顯示，只存在日文、韓文與德文三個在地化子站。沒有中文、法文、俄文、西班牙文或葡萄牙文版本，因此這三種語言之外的非英語團隊應當預期要面對英文文件工作。
存在兩條彼此獨立的軌道——雲端託管與私有託管，而且各自都有條款不同的免費檔。把兩者混為一談很容易，後果也不小。
Free —— 每月 0 美元。 面向 AI 應用與模型的個人開發。包含 AI 應用評估、鏈路追蹤、評分器、AI 模型實驗追蹤、AI 資產註冊表與血緣追蹤，以及社群支援。配額為最多 5 個模型席次、每月 5 GB 儲存、每月 1 GB 的 Weave 資料攝入。
Pro —— 起價每月 60 美元按月計費，含 30 天免費試用。在免費檔基礎上增加不限數量的協作團隊、以團隊為基礎的存取控制、服務帳戶、優先電子郵件與線上客服支援、CI/CD 自動化，以及 Slack 與電子郵件告警。配額為最多 10 個模型席次、每月 100 GB 儲存（超出部分每 GB 0.03 美元）、每月 1.5 GB 的 Weave 資料攝入（超出部分每 MB 0.10 美元）。
Enterprise —— 客製方案。 增加帶區域選擇的單租戶選項、HIPAA 合規選項、安全私有連線、客戶自管加密金鑰、單一登入、自動化使用者佈建、自訂角色、稽核日誌與企業支援包。
Pro 有一條重要的限定，屬於授權規則而非技術上限：W&B Pro 面向員工少於 50 人的早期團隊與組織，超出該指引的客戶將被要求轉入 W&B Enterprise，因為 Pro 在設計上帶有速率限制與效能約束，可能無法支撐更高用量。一家 60 人的公司不能單純靠繼續買 Pro 席次來因應。
Personal —— 每月 0 美元。 1 個使用者席次，含實驗追蹤、註冊表與血緣追蹤，可在任何裝有 Docker 與 Python 的機器上本機執行。限制毫不含糊，且在頁面上重複了兩次：僅限個人專案，不允許企業使用。
Advanced Enterprise —— 客製方案，提供免費的企業試用授權，包含彈性的部署選項、HIPAA 合規、安全私有連線、CMEK、SSO、自動化使用者佈建、自訂角色、稽核日誌與企業支援包。
學術研究永久免費：不限專案與團隊數量，另含 200 GB 免費雲端儲存。資格條件是面向從事非營利關聯研究的學術機構提供免費 Pro 授權，適用對象為學生、教授與博士後，需要有效的學術機構電子郵件。授權內容包含 Pro 的全部功能、不限追蹤時數、200 GB 雲端儲存、每月最多 25 GB 的 Weave 資料攝入與最多 100 個席次，額外儲存每 GB 0.03 美元按月計費。
Pro 按月或按年預付。模型席次中途增加時按比例計費，但移除席次不發放折抵。Weave 資料攝入、W&B Inference 與儲存按實際用量在事後按月結算。Enterprise 按年預付開立發票。
儲存按上文那套 GB-天算法取 30 天加權平均，涵蓋 artifact 與記錄到執行中的資料兩部分；參照型 artifact 與外部儲存桶中的資料不計入。推論按模型計價，限時提供免費額度，Pro 檔另含每月 5 美元的額度，同樣限時。CoreWeave Sandboxes 目前為公開預覽，Free 與 Pro 分別有每月 10 美元與 25 美元的額度，同樣標註為限時。這四條額度都應當視為促銷條款，做預算前請核對當期的實際條件。
Free 為社群支援。Pro 含優先電子郵件與線上客服支援，首次回應 4 至 24 小時視嚴重程度而定。Enterprise 為 1 至 4 小時，視嚴重程度與支援包而定。工作時間定義為太平洋時間週一至週五 2:00 至 17:00。專屬的 Slack 或 MS Teams 支援頻道與專職 AI 解決方案工程師，只有 Premium Support 才包含。
選實驗追蹤工具，很大程度上取決於你願意連帶引入什麼別的東西。
MLflow 是開源領域的預設選項，也是最常見的對照。如果你的硬性要求是追蹤伺服器端必須完全歸自己所有、不與任何廠商發生關係，MLflow 能回答這個問題。W&B 的反論點是託管的協作層、Sweeps 的具體實作，以及 GenAI 鏈路追蹤那一側，這三者 MLflow 開箱都不具備。
Neptune.ai 與 Comet 是相鄰位置上的商業追蹤工具。在它們之間做選擇，通常取決於團隊規模下的價格與特定的視覺化需求，而不是能力上的差距。
TensorBoard 仍是零摩擦的本機方案。單人單機時它就是正確答案；一旦第二個人需要看結果，它就不再是了。
雲原生平台——Vertex AI、SageMaker、Azure ML——把追蹤打包進訓練本來就在跑的那個平台裡。代價是可攜性，而這恰恰是 CoreWeave 公開承諾不會強加給 W&B 客戶的那一項。
LangSmith、Langfuse、Arize Phoenix 對標的是 Weave 而非整個 W&B。只做大型語言模型應用、從不訓練模型的團隊，應當把這個更窄的領域單獨評估。
比較時還有一點結構性因素值得注意：由於 W&B 用戶端是 MIT 授權、Weave 是 Apache-2.0 授權，即便託管後端是專有的，你寫下的那些接入程式碼也不會變成死路。這降低了——雖然沒有消除——日後改變主意的代價。
這一節比其他章節都長，因為這裡的約束都有文件依據而非推測，而且其中幾條藏在主服務協議裡而不在定價頁上。
免費與學術客戶的資料可能被用於測試與開發。 主服務協議寫明，W&B 可將來自免費與學術客戶的客戶資料用於測試與開發目的。對於任何考慮把未發表的研究或商業敏感工作放進免費檔的人，這是本頁最重要的一句話，而它在定價頁上完全看不到。付費檔不受該條款約束。把實驗室尚未發表的實驗放進去之前，請先讀這一條。
私有託管的 Personal 檔禁止企業使用。 僅限個人專案，不允許企業使用。工程師在公司電腦上跑一個本機伺服器處理公司專案，屬於該授權範圍之外。
免費檔不附帶任何持續性承諾。 W&B 保留自行決定隨時修改、停止、暫停或終止任何免費訂閱方案的權利，且無需事先通知。
BYOB 不涵蓋 Weave。 此處重複一遍，因為這是最可能在合規審查後期把方案推翻的一條限制。GenAI 鏈路資料目前無法保存在你自己的儲存桶裡。
AI 功能與輸出不附帶智慧財產權賠償。 協議寫得很明確：W&B 不就 AI 功能或輸出不含第三方智慧財產權作任何陳述或保證，也沒有義務就與之相關的第三方侵權主張為客戶提供賠償；全部 AI 功能與輸出均按「現狀」提供。另外，客戶須確認由機器學習的性質所決定，輸出可能不準確，或對多個使用者產生相同結果，客戶在依賴任何輸出前須自行評估。
Beta 功能不帶任何保證、賠償、SLA 或支援，且可隨時停止而不承擔責任。鑑於 Sandboxes 目前處於公開預覽，這條並非假設而是正在生效。
執行記錄事實上是只可追加的。 社群證據一致且歷時很久：重新命名已完成執行的分組（2020 年至今開著，66 個表態）、把舊執行與新執行合併（2022 年，51 個）、在專案間複製執行（2023 年，37 個）、重用已刪除的執行名稱（2020 年，26 個），至今仍全是未關閉的訴求。請據此規劃專案結構。
筆記本環境下的認證可能不穩。 Colab 登入問題自 2021 年起一直開著，累計 38 則留言。
客戶名稱與標誌可能被用於行銷。 協議約定客戶同意 W&B 在行銷素材、公開公告與投資人溝通中使用其名稱與標誌。
資料匯出是你的責任，且時點很關鍵。 客戶須在到期或終止之前自行匯出資料，之後 W&B 會按其政策刪除。付款義務不可撤銷，費用不可退還（明確規定者除外）。
免責聲明範圍很廣。 除特定保證條款之外，W&B 資產按「現狀」提供，明示排除效能、適售性、特定用途適用性與不侵權等保證，且不保證服務無錯誤或執行不中斷。
準據法為紐約州法，專屬管轄在紐約郡，並放棄陪審團審判權。非美國客戶在採購時應把爭議解決成本納入考量。
不供 13 歲以下兒童使用。
不存在可核實的第三方評分。 這是可用證據的限制而非產品的缺陷，此處照實說明而不加掩飾。wandb.ai 在 Trustpilot 上的檔案未被認領、評分 0.0、評論數為零——頁面上直接寫著該公司尚未收到任何評價。嘗試在 G2、Gartner Peer Insights、SourceForge 與 Slashdot 上核實評分時，全部在抓取階段被攔截，因此本頁任何位置都不引用這些來源的分數。對一款使用者習慣用 GitHub issue 而非評價網站表達意見的開發者基礎設施而言，這種空白並不意外，但它意味著此處的第三方證據建立在媒體報導與可核實的儲存庫資料之上，而不是分數。相關提醒：那個未認領的 Trustpilot 檔案登記的公司所在地是安圭拉，與營運協議中的舊金山地址相互矛盾，不應據以採信。
資料處理以美國為中心。 subprocessor 表把 AWS、Azure、GCP 與 Clickhouse 登記為「美國或由客戶選擇」，而 CoreWeave（標註為關係企業，用途為雲端基礎設施管理）、Datadog 與 Hex 登記為「美國」。請注意母公司現已進入資料處理鏈路，且其處理地不會因客戶的區域選擇而改變。
漏洞獎勵範圍很窄。 只有 qa.wandb.ai 與 api.qa.wandb.ai 上的發現有資格，其餘全部子網域排除在外。獎金從低危的 50 至 100 美元到嚴重級（SQL 注入、遠端程式碼執行、權限提升、指向內部服務的 SSRF）的 750 至 1,000 美元不等。研究者須簽署保密協議，未經書面核准不得公開討論發現——這項政策也限制了潛在客戶能取得的公開資安訊號。
對一款採購決策常由資安團隊而非工程師作出的產品來說，認證清單值得準確轉述。平台目前通過了三項國際標準認證。第一項是資訊安全管理系統標準的 2022 年版本，第二項是面向雲端服務的資訊安全控制標準，第三項則是關於雲端個人身分資訊保護的標準。除認證之外，平台還符合 SOC 2 Type 2 稽核標準，同時也符合美國健康保險可攜性與責任法案的相關要求。官網另外說明，平台可以協助客戶滿足美國聯邦資訊系統安全控制框架的要求，並與歐盟一般資料保護規則關於個人資訊處理的規定保持一致。
加密方面，傳輸中使用 TLS 1.2 及以上，靜態儲存使用 AES 256。身分認證支援透過 OIDC、LDAP 或 SAML 的單一登入，並以基於角色的存取控制提供細緻的權限管理。資安測試結合常規漏洞測試與滲透測試，合規體系同時包含內部審查與獨立第三方評估。
各檔位的功能可用性並不均等，應逐項核對自己的需求：SOC 2 Type II 與透過 Artifacts TTL 實現的可客製資料保留在各檔均有；IP 白名單、進出向的安全私有連線，以及面向 AWS 與 GCP 的客戶自管加密金鑰，均標註為需私有託管方可取得；HIPAA 合規標註為透過 BYOB 可實現；自訂角色與自有儲存桶兩項則標註為 Weave 不適用。
法律文件集中在一個入口發布，包含網站使用條款、主服務協議、W&B AI 條款、服務水準協議、支援政策、資料處理附錄、隱私政策與現代奴役聲明。DPA 與 SLA 作為獨立的公開文件存在，本身就是一項與採購相關的成熟度訊號。
屬於 CoreWeave。收購於 2025 年 5 月 5 日完成，由 CoreWeave, Inc.（那斯達克代碼 CRWV）宣布，並在 W&B 自家的關於我們頁面獲得確認。締約實體並未改變——協議仍與 Weights and Biases, LLC 簽訂，那是一家總部在舊金山的德拉瓦州有限責任公司。共同創辦人 Lukas Biewald 現在的頭銜是總經理暨共同創辦人。
不是，而且 CoreWeave 在交割新聞稿中公開這麼說過：它仍然致力於平台的互通性，使客戶能夠選擇任何部署方式、任何基礎設施供應商，以及任何基礎模型、框架或協定。請把它理解為公開承諾而非合約條款，同時注意現實中的一個對沖因素：CoreWeave 現已作為處理雲端基礎設施管理的關係企業出現在 subprocessor 表中。
雲端 Free 檔為每月 0 美元，含 AI 應用評估、鏈路追蹤、評分器、模型實驗追蹤、註冊表與血緣追蹤，以及社群支援。上限為最多 5 個模型席次、每月 5 GB 儲存、每月 1 GB 的 Weave 攝入。它的界線在團隊協作——不限數量的團隊、以團隊為基礎的存取控制、服務帳戶、CI/CD 自動化與告警全都需要 Pro。而最重要的那條非配額限制是合約性質的：W&B 可將來自免費與學術客戶的客戶資料用於測試與開發目的。
是的，且條款很具體。它是提供給從事非營利關聯研究的學術機構的免費 Pro 授權，適用於學生、教授與博士後，需要有效的機構電子郵件。內容包含 Pro 的全部功能、不限追蹤時數、200 GB 雲端儲存、每月最多 25 GB 的 Weave 攝入與最多 100 個席次，額外儲存每 GB 0.03 美元按月計費。適用於免費帳戶的那條「用於測試與開發」的資料條款，在這裡同樣適用。
它們是兩條獨立的產品線，入口不同、儲存庫也不同。wandb 負責模型訓練一側——實驗追蹤、Sweeps、Artifacts、Registry，用戶端為 MIT 授權。weave 負責 GenAI 應用一側——追蹤 LLM 呼叫、評估、生產監控、LLM-as-a-judge 指標與 PII 遮蔽，授權為 Apache-2.0。兩者共用帳戶與計費，但 Weave 有獨立於儲存單獨計量的攝入配額。
只能部分做到。自帶儲存桶這項能力支援多種後端。既支援母公司提供的 CoreWeave AI Object Storage，也支援亞馬遜的 S3 物件儲存服務。此外還支援 Google 的雲端儲存服務，以及微軟的 Azure Blob Storage。除這些公有雲服務之外，像 MinIO Enterprise 那樣的 S3 相容儲存同樣受支援。但 BYOB 不適用於 Weave，因此 GenAI 鏈路資料無法保存在你的儲存桶裡。而且即便在適用的範圍內，中央資料庫仍會保留使用者、團隊、artifact、實驗與專案的中介資料，以及 Reports、實驗日誌、系統指標與主控台日誌。
儲存按 30 天加權平均計，而不是按尖峰。官方給出的算例是：100 GB 跑 15 天、200 GB 跑 1 天、300 GB 跑 14 天，合計 5,900 GB-天，除以 30 得 196.6 GB，當月記為 197 GB。主要的調控手段是參照型 artifact——存放在外部儲存桶中的資料不計入配額，只有真正存在 W&B 中的中介資料才計。
可以。需要 Docker 與 Python，伺服器端可跑在 Linux、macOS 或 Windows 上。啟動是 pip install wandb 加 wandb server start。你要承擔的部分廠商已經說明：你獲得對資料與隱私的完全掌控，但資料儲存與備份的管理由你負責。另外注意授權上的分野——免費的 Personal 檔僅限個人專案、不允許企業使用，因此商業自架需要 Advanced Enterprise 方案。
因為沒有一條評分能被一手核實。wandb.ai 在 Trustpilot 上的檔案未被認領、評分 0.0、評論數為零。G2、Gartner Peer Insights、SourceForge 與 Slashdot 在調查過程中全部被攔截，因此本頁不引用來自它們的任何分數。與其複述一個未經核實的數字，本頁選擇依靠可以核對的東西：儲存庫指標、未關閉的社群 issue、已公開的價格與合約原文。
用戶端函式庫是開源的，託管服務不是。wandb/wandb 採用 MIT 授權，11,239 顆星、886 個 fork、954 個未關閉 issue，建立於 2017 年 3 月。wandb/weave 採用 Apache-2.0 授權，1,121 顆星、226 個未關閉 issue。本頁調查當天兩者都仍有程式碼推送。你可以閱讀並 fork 那些接入程式碼，但保存與提供你執行記錄的那個 SaaS 後端仍然是專有的。
