用途：Weights & Biases（W&B）用于机器学习实验跟踪与 MLOps，适合需要记录训练指标、实时可视化、比较不同超参数配置、自动搜索超参数、管理模型与数据集版本，以及团队协作的场景。
主要能力：自动记录指标与配置；实时仪表盘可视化训练；跨运行比较超参数与配置；用 sweeps 做网格、随机或贝叶斯超参数优化；用 Artifacts 跟踪数据集、模型和代码的版本与血缘；模型注册表支持版本与别名；支持团队工作区协作。资料称有 20 万以上 ML 从业者、GitHub 10.5k+ stars、100+ 集成。
使用方式：安装 pip install wandb，登录 wandb login 或设置 export WANDB_API_KEY=your_api_key_here。基本用法是 wandb.init(project=..., config=...) 初始化运行，训练循环中用 wandb.log({...}) 记录指标，结束时 wandb.finish()。可用 wandb.save 上传检查点，或用 wandb.Artifact 记录数据集与模型。超参数搜索先定义 sweep_config（method 可为 grid、random、bayes），再 wandb.sweep 创建 sweep，最后 wandb.agent 运行试验。支持 PyTorch、PyTorch Lightning、HuggingFace Transformers、Keras/TensorFlow 等集成。
适用场景：ML 实验跟踪、训练可视化、超参数优化、模型与数据版本管理、团队协作。
限制：资料提到免费版为无限公开项目、100GB 存储；学术用户免费；Teams 为每席位每月 50 美元，含私有项目与无限存储；Enterprise 为定制价格并可选本地部署。网络不稳定时可用离线模式，之后用 wandb sync <run_directory> 同步。其余细节暂未提供。