2023Q4 私有化版本发布，和鲸 ModelWhale 持续赋能大科研、高校教改的 AI for Science

作为数据科学多人协同平台，和鲸 ModelWhale 从一而终地为各级用户提供完备而周全的解决方案，覆盖数据研究、算法探索、模型调优、Python 案例教学等多个场景。特别地，如果对研究分析平台有更高的安全合规要求、希望兼容原有业务系统（比如已有的服务器资源、数据平台等）、或者有其他定制化需求，我们建议采买 ModelWhale 私有化独立部署服务：支持定制化解决方案设计、独立产品功能开发、专属的客户成功系列服务等。

2023Q4 私有化部署版本，已顺利通过公测并将于近期部署到客户环境中。本季度主要进行了以下迭代：

硬件分析环境：新增算力节点池，支持算力独享、按需跨部门共享的调度策略
软件分析环境：新增使用 API 接入数据、常用分析软件及模板接入
科研：AI4S 大科研探索分析能力拓展，包括：大模型开发训练、复杂任务编排、算法封装交付
高校：Python 案例实训教学（OBE）能力拓展，新增分组作业、老师-学生视角切换、优化结课存档
更规范的资产管理：优化元数据及 DOI 管理（FAIR 原则），新增门户内容公开申请、优化资产搜索查询
更便捷的账号迁移（已有第三方用户系统打通、免登录）、更丰富的开放接口、支持国际化多语言（中/英）切换

一、硬件分析环境管理：新增算力节点池，支持算力独享、按需跨部门共享的调度策略

组织内顺畅的开放协同、合力研究，需要统一的分析平台进行资源及成果共享。而算力方面，在更开放的协作场景，部门间的算力“相互支援、按需调度”，可以实现更充分的算力利用、释放研发效能。平台现已支持将不同部门的机器构成不同的节点池（资源池）；用户启用算力时，平台会依据优先级策略调度算力：独立（非共享）节点池 > 共享节点池。

而在不同节点池下，平台支持接入超算集群（HPC）、GPU 集群、普通 GPU 及 CPU，实现比本地更细颗粒的算力分配使用、监控管理、伸缩调度。

算力节点池监控

超算集群（HPC）使用

二、软件分析环境：新增 API 数据接入、常用分析软件及模板接入

1、新增 API 数据连接，继承原有第三方系统权限管控

平台支持多种数据源的接入和使用，包括：关键数据成果（数据集）、研究源数据（NAS 数据源、Vertica 及其他常用数据库、对象存储）、其他第三方存储数据（服务接口调用、API 数据连接）、大模型 Common Data（超算自有存储）。

如果数据存储在“第三方系统”并已有一套严格的数据使用权限设计，平台支持继承已有权限管控：原有权限不会失效，亦无需在分析平台再次配置权限。只需填写由该第三方系统提供的 API 配置，即可在平台实现对这些数据产品的调用分析。

2、新增常用分析软件、研究框架丝滑迁移

本地常用的分析软件、分析框架、团队内标准的 SOP 工作流，均已支持迁移到平台使用。

新增软件仓库：支持在平台 Notebook 在线调用本地常用的 Python 库、可执行程序及其他软件。
新增预注入代码、脚本：支持在数据分析前预加载某些工具库、分析代码、文件，或者提前注入环境变量、shell 指令，快捷构建所需研究环境。
优化分析模板复用：团队内标准的 SOP 工作流（如分析框架模板、研究报告模板、数据处理模板），可以在团队内分发共享，避免重复造轮，提高生产效率。

三、科研：AI4S 大科研探索分析能力拓展

1、“模型开发 - 训练 - 部署 - 运维”能力提升

大模型（如 LLM）的开发训练对算力、存储、分析工具、多人协作工具均提出了较高要求，平台拥有适用于模型“开发 - 训练 - 部署 - 运维”的全流程基础设施，可帮助工程师、科学家们更好地进行大模型开发训练、多人协同研究以及其他 AI for Science 分析探索。

模型开发训练阶段，平台提供训练过程记录（Tracking）及可视化比对分析，同时兼容 MLFlow，全面协力模型参数的尝试与调整、最优结果记录及部署；服务调用环节，支持灵活的同步/异步请求以及精细的算力扩容管理；平台的模型运维监控系统，提供你详细的模型调用记录、算力使用追踪，以便调整运行策略（扩容/回收）、二次调优模型。

平台也支持开源预训练模型的快捷部署（如 Github 上的 gradio 项目），供大家便捷体验模型使用效果。

2、“复杂任务的编排、运行”能力提升（新模块 ✓）

大小模型结合或多节点复杂任务，建议使用平台 Workflow 进行任务编排、并行计算。Workflow 任务节点支持 Notebook、Bash 脚本、Python 脚本、R 脚本多种类型；同时支持使用超算集群、GPU集群、GPU、CPU 组合运算，以及配置定时运行策略、结果重试策略。

3、“多人算法开发 - 成果封装复用”能力提升

平台 Canvas 拥有 “算法封装”+“算法快捷使用” 能力，组织内算法工程师可以【自研 Canvas 组件】封装代码，【分发 Canvas 分析模板】供组织成员直接使用、快速搭建研究框架、低代码完成数据分析工作。本季度我们对“Canvas 多人自研开发流程”进行了升级迭代：开发流程更规范、开发权限更清爽、组件使用更便捷。

四、高校：Python 案例实训教学（OBE）能力拓展

为促进高校教改，依据 OBE 成果导向的教育模式，平台帮助学生真实 Coding、快速理解数据科学方法、逐步形成数据科学思维。老师可以调用平台丰富的案例教材、教学工具，设计实践作业、分组作业、自动评审作业等，构建案例实训教学课程。教学平台本季度新增：

分组作业：支持区分小组得分/个人得分、批量设置/管理小组、作业在线预览评审、作业导出留存。
“老师-学生”视角切换：老师可以随时检查课程展示是否符合预期，及时调整教学策略。
测验题批量上传至课程题库：更方便“课题组”迁移教学内容和“老师”复用调整。
也优化了结课存档相关设施，如：分作业权重配置及总成绩计算导出、课程归档、课程复用等。

分组作业

“老师-学生”视角切换

测验题批量上传（至课程题库）

结课存档

五、更规范的资产管理

为实现科学数据更规范的管理、展示、使用，平台已应用 FAIR 原则：通过“元数据体系”，保证数据资产的可发现(Findable)、可访问(Accessible)、可互操作(Interoperable)、可重用(Reusable)。我们也提供了规范的 DOI 和数据引用格式，以便数据使用者可以更便捷、更规范地标记数据来源。

此外，平台还提供“独立门户”，作为内容分享窗口，连接外部伙伴。为促进生态共建、内容共享的积极氛围，现已支持由组织成员自主申请公开其工作成果，比如再分析数据、研究代码报告、机器学习算法、大模型探索实践、模型服务应用等。