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、对比不同超参数配置、自动调参、管理模型与数据集版本及团队协作的场景。
主要能力：自动记录指标与配置；实时仪表盘可视化训练；跨运行对比超参数；自动化超参数扫描（grid、random、bayes）；制品（Artifacts）跟踪数据集、模型、代码血缘；模型注册表与版本管理；支持 PyTorch、PyTorch Lightning、HuggingFace Transformers、Keras/TensorFlow 等集成；支持离线模式。
使用方式：安装 pip install wandb；登录 wandb login 或设置 export WANDB_API_KEY=your_api_key_here。在代码中调用 wandb.init(project=..., config=...) 初始化运行，用 wandb.log({...}) 记录指标，wandb.finish() 结束。扫描通过 wandb.sweep(sweep_config, project=...) 定义并返回 sweep_id，再用 wandb.agent(sweep_id, function=train, count=50) 执行。制品用 wandb.Artifact 创建并 add_file/add_dir，再 wandb.log_artifact 记录；模型可 link_artifact 到模型注册表。
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、团队共享与报告。
限制：资料未提供具体功能边界、性能或兼容性限制；价格信息以资料为准（Free：无限公开项目、100GB 存储；Academic：学生/研究者免费；Teams：$50/seat/月；Enterprise：定制），实际以官方为准。