tracking-model-versions

用途：跟踪和管理 AI/ML 模型版本，记录模型元数据、评估指标，管理模型注册表的阶段流转，并生成模型卡片文档。\n\n主要能力：通过 MLflow 记录超参数（学习率、训练轮数、批量大小）与指标（准确率、损失、F1、延迟），用 mlflow.<flavor>.log_model() 记录模型产物；用 mlflow.register_model() 注册模型；用 client.transition_model_version_stage() 在 None、Staging、Production 之间转换阶段并归档旧版本；用 mlflow.search_runs() 跨运行比较版本指标并生成对比表；根据注册表元数据生成包含训练数据描述、评估指标、预期用途、局限与伦理考量的模型卡片。\n\n使用方式：设置 MLFLOW_TRACKING_URI 并验证连接，用 mlflow experiments create --experiment-name <name> 创建实验，启动运行后记录参数、指标与模型，注册模型并按需推进阶段。参考资料中给出了模型卡片模板与示例工作流文件路径。\n\n适用场景：新模型版本登记、上线前的版本对比、合规审查所需的模型卡片生成。\n\n限制与前提：需本地或远程运行 MLflow 跟踪服务器，Python 3.9+ 并安装 mlflow、pandas 及相应框架，模型产物需在本地文件系统或云端存储可访问且具有写权限。具体收费、平台支持范围等信息暂未提供。