Weaver
企业专属模型训练平台
基于企业数据训练专属模型，支持通过 Tinker API 进行 SFT、RL、LoRA、Jev 与 Embedding 训练，权重归企业所有。
- 领域训练基于企业数据与业务验收标准开展领域训练，覆盖生成模型、Jev 与 Embedding 模型；支持 LoRA、全量微调与 NexRL 强化学习，按任务选择训练方式。训练效果以企业业务评测为准。
- 托管训练提供 Python 原语级训练接口，数据、损失函数与评估逻辑由算法团队定义；GPU 调度、并行训练与故障恢复由平台承担，企业无需自建训练集群；Multi-LoRA 共享基座，同等 GPU 可服务 30 个以上 LoRA 模型。
- 模型管理集中记录模型、指标、检查点与资源用量，支持中断恢复与实验对比；通过评测的模型权重可导出，由企业自行保存和部署。
专属模型归企业所有
训练任务、数据与验收标准由企业确定，新数据可通过训练接口持续进入迭代；通过评测的模型权重可导出，由企业自行保存和部署。
企业数据领域训练
业务经验无需交给模型厂商，企业即可拥有适配自身业务的模型。企业专业任务有特定的流程、术语与标准。基于企业数据开展生成模型、Jev 与 Embedding 模型的领域训练：生成模型适配业务流程与任务，Embedding 模型适配企业语义检索与匹配；具体训练目标与验收标准在项目中共同确定。训练后的模型可部署于企业自有环境。
DeepSWE v1.1
ProNex
MaxDeep
SeekGLM-5.3Kimi-K3GPT-5.6
SolClaude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
SWE-Bench Pro
ProNex
MaxDeep
SeekKimi-K3GPT-5.6
SolGLM-5.3Claude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
Terminal-Bench 2.1
ProNex
MaxDeep
SeekGLM-5.3Kimi-K3GPT-5.6
SolClaude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
Toolathlon Verified
ProNex
MaxGLM-5.3Deep
SeekGPT-5.6
SolClaude
Opus 5Kimi-K3
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
AutomationBench v1.0.6
ProNex
MaxDeep
SeekGPT-5.6
SolKimi-K3GLM-5.3Claude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
GDPval-AA v2
ProNex
MaxDeep
SeekKimi-K3GPT-5.6
SolGLM-5.3Claude
Opus 5
Nex-N2.5 Pro / Max；其余模型沿用原材料版本。
Mini · 35B / A3B；Pro · 397B / A17B；Max · 1.6T / A49B。覆盖软件工程、搜索研究与长程任务，Mini / Pro 支持视觉反馈与计算机操作。
LoRA、全量微调、NexRL 强化学习；企业标准与数据 → 训练与验证 → 模型服务接入。支持超过 1,000 steps 的 RL 长稳训练；训练与生产推理资源分别规划。
以业务评测为准的训练流程
训练是否成功，以企业的业务验收标准衡量。先确定任务与验收标准，再完成数据准备、训练与验证，通过评测的模型接入模型服务。训练效果以业务评测结果为准。
面向不同任务的模型训练
按业务目标选择模型类型与训练方式。领域训练支持 Jev 与 Embedding 模型训练，Embedding 训练用于适配企业语义检索与匹配。生成模型训练可采用 LoRA 快速实验与频繁更新，复杂任务可采用全量微调；提升工具调用与多步推理能力可采用 NexRL 强化学习，支持超过 1,000 步的长时稳定训练。
可编程训练接口与托管集群
算法团队专注数据与算法，分布式训练的基础设施由平台承担。提供 Python 原语级接口，数据、损失函数、采样与评估逻辑由算法团队定义；GPU 调度、并行策略、故障恢复与弹性伸缩由平台负责，企业无需自建训练集群。
实验追踪与模型权重导出
每一次训练都可追溯、可对比，训练成果由企业保存。集中记录模型、指标、采样、检查点与资源用量；支持检查点中断恢复与实验横向对比，通过评测的模型权重可导出，由企业自行保存和部署。
Multi-LoRA 共享基座
同等算力可承载更多专属模型。多个 LoRA 任务共享同一基座模型。北坡测试中，同等 GPU 可同时服务 30 个以上 LoRA 模型，两个 LoRA 任务并行训练效率提升 30% 以上。
只训练低秩矩阵 A、B；计算量由 d² 降至 2dr（r ≪ d）。
在特定场景下，LoRA 与全量微调表现相当；原材料示例为 GSM8K。
共享基座权重，Adapter 独立计算；通过 batch GEMM 同时处理多个请求。
共享基座，同时选用各自 Adapter 计算；反向传播较复杂，原理一致。
原材料：单个 LoRA 训练约为 Full FT 计算量的 2/3，可节省约 30% 算力。
原材料：同等 GPU 可同时 serving 30+ 模型；2 个 LoRA 训练任务效率提升 30% 以上。
领域训练效果
以下结果来自各项目的业务评测，展示较小模型经领域训练后的任务表现与模型规模变化。
部署与交付
- 训练资源与生产推理资源分别规划，可按项目提供托管训练或部署在企业环境中。
- 支持基于开源模型的训练，模型选择不绑定单一厂商。
- 训练完成的模型可接入 NorthGate 统一提供服务，并与 NAC、小北中的智能体配合使用。
- 训练效果以双方约定的业务评测为准，项目启动时共同确定任务、数据与验收标准。