Weights & Biases 是面向机器学习工程师的 AI 开发者平台，用于追踪实验、搜索超参数、管理数据集与模型版本，并追踪生产环境中的大模型智能体。2025 年 5 月被 CoreWeave 收购，以 Python SDK 形式接入，提供免费档、Pro 档与自托管部署。
用过这个工具吗？给它评分
Weights & Biases，业内几乎一律简称 W&B，Python 包名与域名则是 wandb，这也是本条目 slug 的由来。它是一个面向 AI 开发者的平台，官方给自己的定位是「AI 工作的记录系统」。官网首页的表述是「让你有把握地构建 AI 智能体、应用与模型的开发者平台」，而在各个产品页反复出现的那个词组带有明显的档案色彩：数千家公司把 W&B 当作训练 AI 模型与开发 AI 应用的 system of record，也就是唯一权威的记录来源。
这个定位说明了它不是什么。它不是模型，不是托管的笔记本环境，也不是给不写代码的人用的拖拽式界面。与 W&B 的每一次实质交互，都发生在一段已经在训练模型或已经在调用大模型的 Python 程序内部。换句话说，它承担的是机器学习实验追踪这项基础工作。这个工具的职责是观察那段程序，把发生过的事情以持久且可比较的形式记录下来，并让几个月后接手的同事能够检索到那次运行的全貌——哪怕运行时他并不在场。
公司成立于 2017 年，创始人共有三位。第一位是 Lukas Biewald，第二位是 Chris Van Pelt，第三位则是 Shawn Lewis。这三位创始人在创办本公司之前，还曾共同创办过另一家名为 Figure Eight 的数据标注公司。官网关于我们页对当初要解决的问题写得相当具体：那时追踪模型基本靠手工，复现模型几乎不可能，而深度学习本身却在飞速推进。最初为了在 OpenAI 训练模型而开发的实验追踪方案，后来成长为端到端的 MLOps 平台。GitHub 数据独立印证了创立时点——wandb/wandb 仓库创建于 2017 年 3 月 24 日。
在 2026 年评估 W&B，必须从归属变更讲起，因为它同时影响产品路线与数据处理链路。2025 年 5 月，Weights & Biases 被 CoreWeave 收购——这句话取自 W&B 自家的关于我们页面，并从买方一侧得到印证：CoreWeave, Inc.（纳斯达克代码 CRWV）于 2025 年 5 月 5 日在新泽西州 Livingston 宣布已完成对 Weights & Biases 的收购。
关于这笔交易，有两点需要谨慎处理，因为流传最广的版本比证据本身更笃定。
第一是价格。TechCrunch 的报道明确写着 CoreWeave 以「未披露金额」完成收购，而被反复引用的 17 亿美元这个数字，该文注明是援引 The Information 的报道，并非来自交易任何一方。逐字通读 CoreWeave 的交割新闻稿，全文根本没有出现交易金额。所以诚实的表述是：交易额据行业媒体转述约为 17 亿美元，对照该公司在 2023 年录得的 12.5 亿美元估值——而不是「双方披露交易额为」。写采购备忘录时，这个数字应当被当作新闻报道而非披露文件对待。
第二，运营主体没有变。主服务协议开篇仍然写明缔约方为 Weights and Biases, LLC，一家特拉华州有限责任公司，主要营业地在加州旧金山 400 Alabama Street, Suite 202。合同仍与该实体签订，仍适用纽约州法。
真正变化的痕迹留在三处。领导层名单上，联合创始人 Lukas Biewald 的头衔已是「总经理兼联合创始人」而非 CEO，另两位联合创始人挂着「杰出工程师」的头衔——这与「并入大型上市公司后成为事业部」的组织形态一致。官网首页顶部横幅推广的是 CoreWeave Sandboxes，即用于安全地大规模运行 AI 智能体与模型生成代码的隔离环境，母公司的基础设施已经作为一等公民出现在 W&B 的产品界面里。而无服务器推理这条产品线，官方措辞直接写的就是「由 CoreWeave 提供算力支撑」。
对担心厂商锁定的用户，CoreWeave 在交割新闻稿中作出了明确承诺：将继续致力于 Weights & Biases 平台的互操作性，使客户可以自由选择任何部署方式、任何基础设施供应商，以及任何基础模型、框架或协议。这是一项公开承诺而非合同条款，应当照此理解——但它确实白纸黑字在案，也是「现在采购 W&B 是否等于绑定某一家 GPU 云」这个问题最直接的答案。
公司自述团队为 270 人「且仍在增加」，分布在全球各地。至于采用规模的数字则需要更谨慎。TechCrunch 报道的口径是超过 1,400 家机构（含 AstraZeneca 与 Nvidia）把这套工具用作训练与微调 AI 模型的记录系统。这属于厂商自报数字经媒体转述，未经独立审计，此处照实标注而非当作已核实的事实呈现。
相比之下，开源部分是可以直接核对的。wandb/wandb 客户端库采用 MIT 许可，语言为 Python，撰稿时显示 11,239 颗星、886 个 fork、954 个未关闭 issue，并且在本页调研当天仍有代码推送。另一个独立仓库 wandb/weave 属于下文会讲到的另一条产品线，采用的是 Apache-2.0 许可，1,121 颗星、226 个未关闭 issue。请注意两个仓库许可证并不相同，对其中之一完成的法务评估不能直接套用到另一个上。也请注意星标数容易掩盖的那条边界：开源的是客户端 SDK 与 Weave 库，而不是保存你运行记录的那个托管服务。
W&B 可以理解为共用一个账户、一套存储配额体系与一个 Python 入口的七块产品面。官方导航把它们划分为七块。第一块是负责模型构建与管理的 Models，第二块是负责微调的 Training，第三块是负责推理服务的 Inference。第四块是面向 GenAI 应用的 Weave，第五块是负责资产管理的 Registry。第六块是集合了报表与自动化的 Core，最后一块则是负责部署形态的 Secure deployment。
实验追踪至今仍是根基，厂商的描述与那个档案式的比喻完全一致：模型训练的记录系统，只需几行代码即可追踪每一个模型、指标与超参数，从而复现结果、调试模型表现，并在单一看板内更快地优化。
接入代码确实很少。用 wandb.init(project="my_first_project") 开启一次运行，超参数挂到 run.config，指标用 run.log({"loss": ...}) 推送，模型文件用 run.log_artifact() 捕获。最后这一个调用是追踪跨入资产管理的界线：运行期间记录的 artifact 会被版本化并进入血缘图谱，而不是留在某台明天就会被回收的训练节点上。
W&B Sweeps 负责超参数优化，而它是少见的会点名自家算法、而不是含糊其辞地暗示独门秘方的厂商页面。除了可自定义逻辑外，它提供贝叶斯优化，早停则明确采用 Hyperband 算法以节省 GPU 小时——让最有希望、表现最好的运行继续跑，把垫底的杀掉，从而释放 agent 去尝试新的超参数组合。透明度主张写得很直白：我们会引用所使用的全部算法，并展示搜索全过程的日志。
对 ML 工程师这个受众而言，这种披露比任何跑分图表都更有说服力。你可以据此判断 Hyperband 那种激进的提前终止是否适合自己的损失曲线，而面对一个不具名的「智能搜索」你没法做这种推理。
Weave 是第二条产品线，解决的问题与模型训练截然不同。它的入口是 weave.init() 加上作用于函数的 @weave.op() 装饰器，之后平台会追踪 LLM 调用、文档检索与智能体的每一步。
定价对比表逐项列出了 Weave 覆盖的范围：tracing，即在开发与生产两个阶段监控并分析 GenAI 模型表现，捕获每次推理的输入、输出与元数据；evaluation；生产监控，即把微调、RAG、不同 LLM 与数据集等不同方案在准确率、延迟与 token 用量上并排对比；LLM-as-a-judge 指标；以及 PII 数据脱敏。
其中方案并排对比这一项，最贴近 GenAI 工作的真实形态，也是大模型可观测性在实际工程中最有价值的落点。问题很少是「这个模型好不好」，几乎总是「在我们自己的数据上，这个微调版本是否优于那套 RAG 配置，以及各自的延迟与 token 成本如何」。
资产层的几个能力在文档中都有专门的产品名。数据集与模型版本管理叫 W&B Artifacts，交互式数据可视化叫 W&B Tables，协作看板叫 W&B Reports。Registry 位于它们之上，扮演的正是模型注册表这一角色，负责管理数据集、模型、提示词、代码与元数据，并做血缘追踪。
Core 则打包了其余的基础设施：Reports、Automations、SDK，以及一项透露产品走向的新增内容——面向智能体的 Skills 与 MCP server。
Inference 是最新的一块产品面，也是受收购影响最明显的一块。官方表述是：由 CoreWeave 提供算力支撑的无服务器推理，提供 API 与 playground 两种访问方式，可直接使用主流开源大模型，无需注册托管服务商或自行部署模型。你也可以上传自己训练的 LoRA 权重，对微调后的模型做无服务器推理——这就把过去需要三家供应商才能闭合的链路收进了一处：在这里训练、在这里登记适配器、在这里提供服务。
计价按模型分别设定，且区分输入、缓存输入与输出三档。撰稿时可在官网核实的两个样例：NVIDIA Nemotron 3.5 Lightning 为每百万 token 输入 0.10 美元、缓存 0.05 美元、输出 0.25 美元，上下文 262K；DeepSeek V4-Flash-0731 为输入 0.13 美元、缓存 0.07 美元、输出 0.28 美元，同样是 262K 上下文。模型清单会随新的开源权重发布而滚动更新，请以官网定价页为准，不要依赖任何时点的快照。
框架清单相当广，且每一项在官网都配有可运行的代码。面向大模型应用的有 LangChain 与 LlamaIndex 两套框架。深度学习框架方面覆盖了 PyTorch 本体，以及 Hugging Face 出品的 Transformers 训练库和封装更高一层的 PyTorch Lightning。谷歌一侧的 TensorFlow 与建立在其上的 Keras 同样在列。传统机器学习方面则支持 scikit-learn 这一通用库，以及梯度提升领域常用的 XGBoost。其中 Transformers 的接入路径最短：在 TrainingArguments 中加上 report_to="wandb" 就够了，trainer.train() 一旦启动，日志记录会自动开始。
官网宣布推出 Weights & Biases 移动应用，自述为首个可随时随地监控 AI 实验与追踪训练运行的 iOS 应用。这件事值得单独一提，理由不在功能本身：GitHub 上一条标题为「wandb 移动端/桌面端应用？」的 issue 自 2022 年 6 月起就一直开着，累计 27 个表态与 59 条评论。这是一个社区长期诉求最终被满足的案例。
最典型的场景是以 GPU 天为单位计量的训练任务，而半年后真正重要的交付物往往不是那个 checkpoint，而是关于这个 checkpoint 如何产生的解释。配置、指标、系统状态与模型文件全部落进同一条运行记录。当生产环境出现回归时，「能用的那版模型和不能用的这版之间到底改了什么」这个问题就有了可检索的答案。
带 Hyperband 早停的 Sweeps 与其说是精度工具，不如说同时是预算工具。及早杀掉垫底的运行、把 agent 重新分配给新组合，正是把一次负担不起的网格搜索变成可行方案的关键；随后的参数重要性可视化则会告诉你，哪几个旋钮才是真正起作用的。
对于构建智能体而非训练模型的团队，入口是 Weave。端到端追踪一次请求经过检索与模型调用的全过程，逐次推理捕获输入与输出，然后在准确率、延迟与 token 用量三个维度上对比候选方案，再决定把哪一个推上生产。PII 数据脱敏这项能力之所以存在，正是因为面向客户的助手在生产环境留下的链路数据里必然含有客户信息。
医疗、金融与公共部门的团队通常无法把原始训练资产送进多租户 SaaS。Bring Your Own Bucket 这条路径正是为此存在的——但它有一处重要的例外，「支持平台」章节会讲清楚。
学术免费档相当慷慨，具体条款见价格章节。对一个要在多名学生之间跑大量小实验的实验室而言，不限追踪时长加上 100 个席位会彻底改变成本结构。不过在把敏感研究放进去之前，请先读「限制与注意事项」中关于授权的那一条。
先训练或微调，在 Registry 中为适配器做版本管理，再通过无服务器推理把 LoRA 权重跑起来。这种整合是新出现的，也是迄今为止 CoreWeave 结合在产品层面最清晰的一项红利。
1. 安装并认证。 执行 pip install wandb，然后用 API key 登录。这里有一处社区记录在案的已知摩擦：一条标题为「wandb.login() 在 Google Colab 上每次尝试都卡住随后断开」的 issue 自 2021 年 4 月起一直开着，累计 15 个表态与 38 条评论。如果你主要在托管笔记本环境工作，请为认证握手预留一点时间。
2. 开启运行并记录配置。 在训练脚本顶部调用 wandb.init(project=...)，把超参数赋给 run.config。这一步要在训练前而不是训练后做——配置正是日后让不同运行可比较的东西，缺了它的运行记录只是一张没有解释的图表。
3. 在训练循环内记录指标。 用 run.log({"loss": loss})，频率视任务而定。官网的 PyTorch 示例是每 args.log_interval 个 batch 记录一次，这个直觉是对的：记得够密才能看出趋势，够疏才不会把看板淹掉。
4. 捕获 artifact。 run.log_artifact("./my_model.pt", type="model") 会把模型放进版本化的血缘图谱。如果权重本来就在云存储里，请改用引用型 artifact——存放在外部桶中的数据不计入存储配额，只有元数据才计。
5. 用了受支持的框架就走捷径。 如果你用的是 Hugging Face 出品的 Transformers 训练框架，那么在 TrainingArguments 里加上 report_to="wandb" 这一行，就是全部的集成工作了。如果你用的是 PyTorch Lightning，那么实例化一个 WandbLogger 并把它传给 Trainer 即可。在大多数常见的技术栈里，你都没有必要自己手写日志记录逻辑。
6. 单次运行看腻了就转 Sweeps。 定义搜索空间，剩下的交给 agent。输入分布可以自己挑，早停务必打开，好让 GPU 预算花在有希望的区域。
7. 凡是含模型调用的代码都加上 Weave。 weave.init("你的项目名") 再给关心的函数加 @weave.op。装饰器这种做法意味着你是在给现有代码加注解，而不是重构它。
8. 为团队里的人配好 Reports 与 Automations。 Report 是训练结果变成同事能读的东西的地方；Automations 以及 Slack 与邮件告警（Pro 档及以上可用）则让你不必一直盯着看板。
9. 在扩容之前而不是之后决定部署形态。 多租户、专属还是客户自管——如果数据驻留是硬约束，请仔细读 BYOB 那一节，因为它的覆盖范围在不同产品线上并不一致。
ML 工程师与研究科学家是主要受众，也是每一个入口都做成 Python import 的原因。如果你的工作产出是一段训练脚本，那这就是给那段脚本用的仪表盘。
GenAI 应用开发者是从 Weave 而不是从实验追踪进来的。他们可能一条训练运行都不会记录，却仍能从链路追踪与评估中获得完整价值。
ML 平台与基础设施团队关心的是部署矩阵、BYOB 的作用域、SSO、SCIM 自动配置、自定义角色与审计日志——也就是让这套东西能在安全评审面前站得住的那部分。
学术研究者可以拿到免费的 Pro 许可，条款见下文，但要留意「限制」章节中关于数据使用的那一条。
个人开发者与学习者可以长期停留在免费档，也可以用 wandb server start 跑一个本地服务端——不过本地的 Personal 档带有一条很关键的授权限制（见「限制」章节）。
它不适合谁： 任何在找无代码 AI 工具的人。这个产品里不存在一条不需要写 Python 的有意义路径。另外，专门要求 GenAI 链路数据必须驻留自有存储的团队，在决定之前务必先读 BYOB 的例外条款。
W&B 跑在你的训练代码跑的任何地方——它是一个库加一个服务，而不是一个有系统要求的应用程序。真正有差别的是那个服务本身放在哪里。
定价页把 SaaS（多租户云）、Dedicated（专属）与 Customer-managed（客户自管）三者并列。企业档另加单租户选项与区域选择权。
门槛被刻意压得很低：自托管只需机器上装有 Docker 与 Python，服务端可运行在满足该要求的 Linux、macOS 或 Windows 上。启动就是两条命令——pip install wandb 然后 wandb server start。
责任的交换关系厂商写得很直白：自托管让你完全掌控自己的数据与隐私，但数据存储与备份的管理要由你自己负责。这是这笔交易的诚实版本，值得转述给任何认为自托管天然更安全的人听。
BYOB 让你把 artifact 与其他敏感数据存放在自有云端或本地基础设施中。在专属云与多租户云下，W&B 不会把你存在自有桶里的数据复制到 W&B 托管的基础设施。受支持的存储后端有好几种。其中既有母公司提供的 CoreWeave AI Object Storage，也有亚马逊的 S3 对象存储。谷歌的云端储存与微软的 Azure Blob Storage 同样在列。除公有云之外，托管在你自有环境中的 S3 兼容存储也可以使用，例如企业版的 MinIO 存储系统。SDK、CLI、UI 与你的存储桶之间通过预签名 URL 通信。
有两条限定决定了这项能力能否真正满足一条合规要求，而且两条都出自文档而非营销页面。
第一条是按部署形态划分的作用域。 多租户云只支持团队级 BYOB，实例级在该形态下不适用；专属云与自管部署则实例级与团队级都支持。
第二条更要紧：W&B 平台的安全存储连接器，也就是 BYOB，不适用于 Weave。 如果你的数据驻留要求覆盖 GenAI 应用的链路数据——也就是生产环境中大模型调用的输入与输出——那么 BYOB 目前解决不了这个问题。对评估平台 GenAI 一侧的受监管团队而言，这是最重要的一条限制，而它很容易被漏掉，因为定价表里只把它渲染成一句简短的脚注「Weave 不适用」。
即便启用了 BYOB，数据仍然是分置的。 中央数据库保留用户、团队、artifact、实验与项目的元数据，以及 Reports、实验日志、系统指标与控制台日志；你的桶里存放的是实验文件与指标、artifact 文件、媒体文件、run 文件，以及导出的 Parquet 格式历史指标与系统事件。「用自己的桶」并不等于「什么都不出你的边界」。
有一个 iOS 应用可用于监控实验与追踪训练运行。站点本地化则只做了一部分：对营销站的链接枚举显示，只存在日语、韩语与德语三个本地化子站。没有中文、法语、俄语、西班牙语或葡萄牙语版本，因此这三种语言之外的非英语团队应当预期要面对英文文档工作。
存在两条彼此独立的轨道——云托管与私有托管，而且各自都有条款不同的免费档。把两者混为一谈很容易，后果也不小。
Free —— 每月 0 美元。 面向 AI 应用与模型的个人开发。包含 AI 应用评估、链路追踪、打分器、AI 模型实验追踪、AI 资产注册表与血缘追踪，以及社区支持。配额为最多 5 个模型席位、每月 5 GB 存储、每月 1 GB 的 Weave 数据摄入。
Pro —— 起价每月 60 美元按月计费，含 30 天免费试用。在免费档基础上增加不限数量的协作团队、基于团队的访问控制、服务账户、优先邮件与聊天支持、CI/CD 自动化，以及 Slack 与邮件告警。配额为最多 10 个模型席位、每月 100 GB 存储（超出部分每 GB 0.03 美元）、每月 1.5 GB 的 Weave 数据摄入（超出部分每 MB 0.10 美元）。
Enterprise —— 定制方案。 增加带区域选择的单租户选项、HIPAA 合规选项、安全私有连接、客户自管加密密钥、单点登录、自动化用户配置、自定义角色、审计日志与企业支持包。
Pro 有一条重要的限定，属于授权规则而非技术上限：W&B Pro 面向员工少于 50 人的早期团队与组织，超出该指引的客户将被要求转入 W&B Enterprise，因为 Pro 在设计上带有速率限制与性能约束，可能无法支撑更高用量。一家 60 人的公司不能简单靠继续买 Pro 席位来应付。
Personal —— 每月 0 美元。 1 个用户席位，含实验追踪、注册表与血缘追踪，可在任何装有 Docker 与 Python 的机器上本地运行。限制毫不含糊，且在页面上重复了两次：仅限个人项目，不允许企业使用。
Advanced Enterprise —— 定制方案，提供免费的企业试用许可，包含灵活的部署选项、HIPAA 合规、安全私有连接、CMEK、SSO、自动化用户配置、自定义角色、审计日志与企业支持包。
学术研究永久免费：不限项目与团队数量，另含 200 GB 免费云存储。资格条件是面向从事非营利关联研究的学术机构提供免费 Pro 许可，适用对象为学生、教授与博士后，需要有效的学术机构邮箱。许可内容包含 Pro 的全部功能、不限追踪时长、200 GB 云存储、每月最多 25 GB 的 Weave 数据摄入与最多 100 个席位，额外存储每 GB 0.03 美元按月计费。
Pro 按月或按年预付。模型席位中途增加时按比例计费，但移除席位不发放抵扣。Weave 数据摄入、W&B Inference 与存储按实际用量在事后按月结算。Enterprise 按年预付开票。
存储按上文那套 GB-天算法取 30 天加权平均，涵盖 artifact 与记录到运行中的数据两部分；引用型 artifact 与外部桶中的数据不计入。推理按模型计价，限时提供免费额度，Pro 档另含每月 5 美元的额度，同样限时。CoreWeave Sandboxes 目前为公开预览，Free 与 Pro 分别有每月 10 美元与 25 美元的额度，同样标注为限时。这四条额度都应当当作促销条款对待，做预算前请核对当期的实际条件。
Free 为社区支持。Pro 含优先邮件与聊天支持，首次响应 4 至 24 小时视严重程度而定。Enterprise 为 1 至 4 小时，视严重程度与支持包而定。工作时间定义为太平洋时间周一至周五 2:00 至 17:00。专属的 Slack 或 MS Teams 支持频道与专职 AI 解决方案工程师，只有 Premium Support 才包含。
选实验追踪工具，很大程度上取决于你愿意连带引入什么别的东西。
MLflow 是开源领域的默认选项，也是最常见的对照。如果你的硬要求是追踪服务端必须完全归自己所有、不与任何厂商发生关系，MLflow 能回答这个问题。W&B 的反论点是托管的协作层、Sweeps 的具体实现，以及 GenAI 链路追踪那一侧，这三者 MLflow 开箱都不具备。
Neptune.ai 与 Comet 是相邻位置上的商业追踪工具。在它们之间做选择，通常取决于团队规模下的价格与特定的可视化需求，而不是能力上的差距。
TensorBoard 仍是零摩擦的本地方案。单人单机时它就是正确答案；一旦第二个人需要看结果，它就不再是了。
云原生平台——Vertex AI、SageMaker、Azure ML——把追踪打包进训练本来就在跑的那个平台里。代价是可移植性，而这恰恰是 CoreWeave 公开承诺不会强加给 W&B 客户的那一项。
LangSmith、Langfuse、Arize Phoenix 对标的是 Weave 而非整个 W&B。只做大模型应用、从不训练模型的团队，应当把这个更窄的领域单独评估。
对比时还有一点结构性因素值得注意：由于 W&B 客户端是 MIT 许可、Weave 是 Apache-2.0 许可，即便托管后端是专有的，你写下的那些接入代码也不会变成死路。这降低了——虽然没有消除——日后改变主意的代价。
这一节比其他章节都长，因为这里的约束都是有文档依据的而非推测出来的，而且其中几条藏在主服务协议里而不在定价页上。
免费与学术客户的数据可能被用于测试与开发。 主服务协议写明，W&B 可将来自免费与学术客户的客户数据用于测试与开发目的。对于任何考虑把未发表的研究或商业敏感工作放进免费档的人，这是本页最重要的一句话，而它在定价页上完全看不到。付费档不受该条款约束。把实验室尚未发表的实验放进去之前，请先读这一条。
私有托管的 Personal 档禁止企业使用。 仅限个人项目，不允许企业使用。工程师在办公电脑上跑一个本地服务端处理公司项目，属于该许可范围之外。
免费档不附带任何持续性承诺。 W&B 保留自行决定随时修改、停止、暂停或终止任何免费订阅计划的权利，且无需事先通知。
BYOB 不覆盖 Weave。 此处重复一遍，因为这是最可能在合规评审后期把方案推翻的一条限制。GenAI 链路数据目前无法保存在你自己的桶里。
AI 功能与输出不附带知识产权赔偿。 协议写得很明确：W&B 不就 AI 功能或输出不含第三方知识产权作任何陈述或保证，也没有义务就与之相关的第三方侵权主张为客户提供赔偿；全部 AI 功能与输出均按「现状」提供。另外，客户须确认由机器学习的性质所决定，输出可能不准确，或对多个用户产生相同结果，客户在依赖任何输出前须自行评估。
Beta 功能不带任何保证、赔偿、SLA 或支持，且可随时停止而不承担责任。鉴于 Sandboxes 目前处于公开预览，这条并非假设而是正在生效。
运行记录事实上是只可追加的。 社区证据一致且历时很久：重命名已完成运行的分组（2020 年至今开着，66 个表态）、把旧运行与新运行合并（2022 年，51 个）、在项目间复制运行（2023 年，37 个）、重用已删除的运行名（2020 年，26 个），至今仍全是未关闭的诉求。请据此规划项目结构。
笔记本环境下的认证可能不稳。 Colab 登录问题自 2021 年起一直开着，累计 38 条评论。
客户名称与标识可能被用于营销。 协议约定客户同意 W&B 在营销材料、公开公告与投资者沟通中使用其名称与标识。
数据导出是你的责任，且时点很关键。 客户须在到期或终止之前自行导出数据，之后 W&B 会按其政策删除。付款义务不可撤销，费用不可退还（明确规定者除外）。
免责声明范围很广。 除特定保证条款之外，W&B 资产按「现状」提供，明示排除性能、适销性、特定用途适用性与非侵权等保证，且不保证服务无错误或运行不中断。
准据法为纽约州法，专属管辖在纽约县，并放弃陪审团审判权。非美国客户在采购时应把争议解决成本计入考量。
不供 13 岁以下儿童使用。
不存在可核实的第三方评分。 这是可用证据的限制而非产品的缺陷，此处照实说明而不加掩饰。wandb.ai 在 Trustpilot 上的档案未被认领、评分 0.0、评论数为零——页面上直接写着该公司尚未收到任何评价。尝试在 G2、Gartner Peer Insights、SourceForge 与 Slashdot 上核实评分时，全部在抓取阶段被拦截，因此本页任何位置都不引用这些来源的分数。对一款用户习惯用 GitHub issue 而非评价网站表达意见的开发者基础设施而言，这种空白并不意外，但它意味着此处的第三方证据建立在媒体报道与可核实的仓库数据之上，而不是分数。相关提醒：那个未认领的 Trustpilot 档案登记的公司所在地是安圭拉，与运营协议中的旧金山地址相矛盾，不应据以采信。
数据处理以美国为中心。 subprocessor 表把 AWS、Azure、GCP 与 Clickhouse 登记为「美国或由客户选择」，而 CoreWeave（标注为关联方，用途为云基础设施管理）、Datadog 与 Hex 登记为「美国」。请注意母公司现已进入数据处理链路，且其处理地不会因客户的区域选择而改变。
漏洞奖励范围很窄。 只有 qa.wandb.ai 与 api.qa.wandb.ai 上的发现有资格，其余全部子域排除在外。奖金从低危的 50 至 100 美元到严重级（SQL 注入、远程代码执行、权限提升、指向内部服务的 SSRF）的 750 至 1,000 美元不等。研究者须签署保密协议，未经书面批准不得公开讨论发现——这一政策也限制了潜在客户能获取的公开安全信号。
对一款采购决策常由安全团队而非工程师作出的产品来说，认证清单值得准确转述。平台目前通过了三项国际标准认证。第一项是信息安全管理体系标准的 2022 年版本，第二项是面向云服务的信息安全控制标准，第三项则是关于云端个人身份信息保护的标准。除认证之外，平台还符合 SOC 2 Type 2 审计标准，同时也符合美国健康保险流通与责任法案的相关要求。官网另外说明，平台可以帮助客户满足美国联邦信息系统安全控制框架的要求，并与欧盟通用数据保护条例关于个人信息处理的规定保持一致。
加密方面，传输中使用 TLS 1.2 及以上，静态存储使用 AES 256。身份认证支持通过 OIDC、LDAP 或 SAML 的单点登录，并以基于角色的访问控制提供细粒度管理。安全测试结合常规漏洞测试与渗透测试，合规体系同时包含内部审查与独立第三方评估。
各档位的功能可用性并不均等，应逐项核对自己的要求：SOC 2 Type II 与通过 Artifacts TTL 实现的可定制数据保留在各档均有；IP 白名单、进出向的安全私有连接，以及面向 AWS 与 GCP 的客户自管加密密钥，均标注为需私有托管方可获得；HIPAA 合规标注为通过 BYOB 可实现；自定义角色与自有存储桶两项则标注为 Weave 不适用。
法律文件集中在一个入口发布，包含网站使用条款、主服务协议、W&B AI 条款、服务水平协议、支持政策、数据处理附录、隐私政策与现代奴隶制声明。DPA 与 SLA 作为独立的公开文件存在，本身就是一项与采购相关的成熟度信号。
归 CoreWeave。收购于 2025 年 5 月 5 日完成，由 CoreWeave, Inc.（纳斯达克代码 CRWV）宣布，并在 W&B 自家的关于我们页面得到确认。缔约实体没有变——协议仍与 Weights and Biases, LLC 签订，那是一家总部在旧金山的特拉华州有限责任公司。联合创始人 Lukas Biewald 现在的头衔是总经理兼联合创始人。
不是，而且 CoreWeave 在交割新闻稿中公开这么说过：它仍然致力于平台的互操作性，使客户能够选择任何部署方式、任何基础设施供应商，以及任何基础模型、框架或协议。请把它理解为公开承诺而非合同条款，同时注意现实中的一个对冲因素：CoreWeave 现已作为处理云基础设施管理的关联方出现在 subprocessor 表中。
云端 Free 档为每月 0 美元，含 AI 应用评估、链路追踪、打分器、模型实验追踪、注册表与血缘追踪，以及社区支持。上限为最多 5 个模型席位、每月 5 GB 存储、每月 1 GB 的 Weave 摄入。它的边界在团队协作——不限数量的团队、基于团队的访问控制、服务账户、CI/CD 自动化与告警全都需要 Pro。而最重要的那条非配额限制是合同性质的：W&B 可将来自免费与学术客户的客户数据用于测试与开发目的。
是的，且条款很具体。它是提供给从事非营利关联研究的学术机构的免费 Pro 许可，适用于学生、教授与博士后，需要有效的机构邮箱。内容包含 Pro 的全部功能、不限追踪时长、200 GB 云存储、每月最多 25 GB 的 Weave 摄入与最多 100 个席位，额外存储每 GB 0.03 美元按月计费。适用于免费账户的那条「用于测试与开发」的数据条款，在这里同样适用。
它们是两条独立的产品线，入口不同、仓库也不同。wandb 负责模型训练一侧——实验追踪、Sweeps、Artifacts、Registry，客户端为 MIT 许可。weave 负责 GenAI 应用一侧——追踪 LLM 调用、评估、生产监控、LLM-as-a-judge 指标与 PII 脱敏，许可为 Apache-2.0。两者共用账户与计费，但 Weave 有独立于存储单独计量的摄入配额。
只能部分做到。自带存储桶这项能力支持多种后端。既支持母公司提供的 CoreWeave AI Object Storage，也支持亚马逊的 S3 对象存储服务。此外还支持谷歌云端储存服务，以及微软的 Azure Blob Storage。除这些公有云服务之外，像 MinIO Enterprise 那样的 S3 兼容存储同样受支持。但 BYOB 不适用于 Weave，因此 GenAI 链路数据无法保存在你的桶里。而且即便在适用的范围内，中央数据库仍会保留用户、团队、artifact、实验与项目的元数据，以及 Reports、实验日志、系统指标与控制台日志。
存储按 30 天加权平均计，而不是按峰值。官方给出的算例是：100 GB 跑 15 天、200 GB 跑 1 天、300 GB 跑 14 天，合计 5,900 GB-天，除以 30 得 196.6 GB，当月记为 197 GB。主要的调控手段是引用型 artifact——存放在外部桶中的数据不计入配额，只有真正存在 W&B 中的元数据才计。
可以。需要 Docker 与 Python，服务端可跑在 Linux、macOS 或 Windows 上。启动是 pip install wandb 加 wandb server start。你要承担的部分厂商已经说明：你获得对数据与隐私的完全掌控，但数据存储与备份的管理由你负责。另外注意授权上的分野——免费的 Personal 档仅限个人项目、不允许企业使用，因此商业自托管需要 Advanced Enterprise 方案。
因为没有一条评分能被一手核实。wandb.ai 在 Trustpilot 上的档案未被认领、评分 0.0、评论数为零。G2、Gartner Peer Insights、SourceForge 与 Slashdot 在调研过程中全部被拦截，因此本页不引用来自它们的任何分数。与其复述一个未经核实的数字，本页选择依靠可以核对的东西：仓库指标、未关闭的社区 issue、已公开的价格与合同原文。
客户端库是开源的，托管服务不是。wandb/wandb 采用 MIT 许可，11,239 颗星、886 个 fork、954 个未关闭 issue，创建于 2017 年 3 月。wandb/weave 采用 Apache-2.0 许可，1,121 颗星、226 个未关闭 issue。本页调研当天两者都仍有代码推送。你可以阅读并 fork 那些接入代码，但保存与提供你运行记录的那个 SaaS 后端仍然是专有的。
