一个专业、现代化设计的AI训练分析平台面向模型训练团队，与50+主流框架集成，与你的实验代码轻松结合 🔥SwanLab 在线版 · 📃 文档 · 报告问题 · 建议反馈 · 更新日志 ·

基线社区 · SKILL [![][release-shield]][release-link] [![][dockerhub-shield]][dockerhub-link] [![][github-stars-shield]][github-stars-link] [![][github-issues-shield]][github-issues-shield-link] [![][github-contributors-shield]][github-contributors-link] [![][license-shield]][license-shield-link] [![][tracking-swanlab-shield]][tracking-swanlab-shield-link] [![][last-commit-shield]][last-commit-shield-link] [![][pypi-version-shield]][pypi-version-shield-link] [![][wechat-shield]][wechat-shield-link] [![][pypi-downloads-shield]][pypi-downloads-shield-link] [![][colab-shield]][colab-shield-link] ![](readme_files/swanlab-overview.png) 中文 / [English](README_EN.md) / [日本語](README_JP.md) / [Русский](README_RU.md) 👋 加入我们的[微信群](https://docs.swanlab.cn/guide_cloud/community/online-support.html)

## 目录 - [🌟 最近更新](#-最近更新) - [👋🏻 什么是SwanLab](#-什么是swanlab) - [📃 在线演示](#-在线演示) - [🏁 快速开始](#-快速开始) - [💻 自托管](#-自托管) - [🔥 实战案例](#-实战案例) - [🎮 硬件记录](#-硬件记录) - [🚗 框架集成](#-框架集成) - [🔌 插件与API](#-插件与api) - [🆚 与熟悉的工具的比较](#-与熟悉的工具的比较) - [👥 社区](#-社区) - [📃 协议](#-协议)
## 🌟 最近更新 - 2026.06.16: 🔥 新增 **HTML** 图表，支持嵌入LLM Vibe Coding 生成页面；Kubenetes 部署 [Prometheus + Grafana 方案](https://docs.swanlab.cn/self_host/kubernetes/monitor-logging.html) 上线； - 2026.06.05: ⚡️ **重构版 SDK**（v0.8.0）上线，大幅提升了指标记录性能，配合大规模训练体验更佳； SwanLab [CLI](https://docs.swanlab.cn/api/cli-swanlab-api.html) 与 [Skill](https://github.com/SwanHubX/SwanLab-Skill) 上线，面向 AutoResearch范式； - 2026.05.18：📒 日志支持**全局筛选**，快速在全局找到你需要的日志片段；新增**图表复制**功能；图表搜索上线**历史记录**功能；图表详情新增**相对时间**显示； - 2026.04.28：🪨 **项目置顶**上线，将团队最关心的项目卡片放到最显眼的位置；优化了在Hover折线图时指标看板的显示效果； - 2026.03.25：📊 **实验置顶**上线，一键将最好的实验固定在到最好找的位置；**Baseline**对比功能上线，支持将实验们和baseline对比并显示差异百分比，加速找到最佳参数组合； https://github.com/user-attachments/assets/964380e0-feb2-480d-b1ca-eba1be239ebb - 2026.03.19：📊 新增**实验复制**功能，支持将创建实验副本到不同项目、团队下；**parallel**模式上线，支持在不同进程同时记录指标到同一实验下；实验ID现在可以自定义了； - 2026.02.06: 🔥 **swanlab.Api**已正式上线，提供更强大的、面向对象式的开放API接口，[文档](https://docs.swanlab.cn/api/py-api.html)；ECharts.Table支持CSV下载；现在支持将图表一键置于分组首位了；

完整更新日志

- 2026.01.28：⚡️ **LightningBoard V2**上线，进一步提升仪表盘性能； - 2026.01.16：⚡️ **LightningBoard（闪电看板）V1** 现已上线，专为超大图表数量级场景打造；新增**图表嵌入链接**，现在可以把你的图表嵌入到在线文档当中（如Notion、飞书云文档等）； - 2026.01.02：🥳 新增对**AMD ROCm**与**天数智芯Iluvatar GPU**的硬件监控支持；SDK增加心跳包特性，实现更稳健的端云连接； - 2025.12.15：🎉 SwanLab **Kubernetes版** 现已发布！[部署文档](https://docs.swanlab.cn/self_host/kubernetes/deploy.html)；[NVIDIA NeMo RL](https://github.com/NVIDIA-NeMo/RL) 框架已集成SwanLab，[文档](https://docs.swanlab.cn/guide_cloud/integration/integration-nvidia-nemo-rl.html)； - 2025.12.01：🕰 新增**折线图详细信息展示**，鼠标悬浮在折线图上时，单击Shift将开启详细模式，支持显示当前log点的时间；📊 图表分组支持**MIN/MAX区域范围显示**； - 2025.11.17：📊 全局图表配置增加**X轴数据源选择**、**悬停模式**功能，增加图表分析体验；增加`SWANLAB_WEBHOOK`功能；[文档](https://docs.swanlab.cn/guide_cloud/experiment_track/webhook-setup.html) - 2025.11.06：🔪 **实验分组**上线，支持对大批量实验进行分组管理；工作区页面升级，支持快捷在多个组织下切换；大幅优化了折线图的渲染性能；swanlab.init上线`group`与`job_type`参数； - 2025.10.15：📊折线图配置支持**X轴数据源选择**；侧边栏支持显示表格视图中Pin的列，增强实验数据对齐能力； - 2025.09.22：📊全新UI上线；表格视图支持全局排序和筛选；数据层面统一表格视图与图表视图； - 2025.09.12：🔢支持创建**标量图**，灵活显示实验指标的统计值；组织管理页面大升级，提供更强大的权限控制与项目管理能力； - 2025.08.19：🤔更强大的图表渲染性能与低侵入式加载动画，让研究者更聚焦于实验分析本身；集成优秀的[MLX-LM](https://github.com/ml-explore/mlx-lm)、[SpecForge](https://github.com/sgl-project/SpecForge)框架，提供更多场景的训练体验； - 2025.08.06：👥**训练轻协作**上线，支持邀请项目协作者，分享项目链接与二维码；工作区支持列表视图，支持显示项目Tags； - 2025.07.29：🚀侧边栏支持**实验筛选、排序**；📊表格视图上线**列控制面板**，能够方便地实现列的隐藏与显示；🔐**多API Key**管理上线，让你的数据更安全；swanlab sync提高了对日志文件完整性的兼容，适配训练崩溃等场景；新图表-PR曲线、ROC曲线、混淆矩阵上线，[文档](https://docs.swanlab.cn/api/py-pr_curve.html)； - 2025.07.17：📊更强大的**折线图配置**，支持灵活配置线型、颜色、粗细、网格、图例位置等；📹支持**swanlab.Video**数据类型，支持记录与可视化GIF格式文件；全局图表仪表盘支持配置Y轴与最大显示实验数； - 2025.07.10：📚更强大的**文本视图**，支持Markdown渲染与方向键切换，可由`swanlab.echarts.table`与`swanlab.Text`创建，[Demo](https://swanlab.cn/@ZeyiLin/ms-swift-rlhf/runs/d661ty9mslogsgk41fp0p/chart) - 2025.07.06：🚄支持**resume断点续训**；新插件**文件记录器**；集成[ray](https://github.com/ray-project/ray)框架，[文档](https://docs.swanlab.cn/guide_cloud/integration/integration-ray.html)；集成[ROLL](https://github.com/alibaba/ROLL)框架，感谢[@PanAndy](https://github.com/PanAndy)，[文档](https://docs.swanlab.cn/guide_cloud/integration/integration-roll.html) - 2025.06.27：📊支持**小折线图局部放大**；支持配置**单个折线图平滑**；大幅改进了图像图表放大后的交互效果； - 2025.06.20：🤗集成[accelerate](https://github.com/huggingface/accelerate)框架，[PR](https://github.com/huggingface/accelerate/pull/3605)，[文档](https://docs.swanlab.cn/guide_cloud/integration/integration-huggingface-accelerate.html)，增强分布式训练中的实验记录体验； - 2025.06.18：🐜集成[AREAL](https://github.com/areal-project/AReaL)框架，感谢[@xichengpro](https://github.com/xichengpro)，[PR](https://github.com/areal-project/AReaL/pull/98)，[文档](https://inclusionai.github.io/AReaL/tutorial/quickstart.html#monitoring-the-training-process)；🖱支持鼠标Hover到侧边栏实验时，高亮相应曲线；支持跨组对比折线图；支持设置实验名裁剪规则； - 2025.06.11：📊支持 **swanlab.echarts.table** 数据类型，支持纯文本图表展示；支持对分组进行**拉伸交互**，以增大同时显示的图表数量；表格视图增加 **指标最大/最小值** 选项； - 2025.06.08：♻️支持在本地存储完整的实验日志文件，通过 **swanlab sync** 上传本地日志文件到云端/私有化部署端；硬件监控支持**海光DCU**； - 2025.06.01：🏸支持**图表自由拖拽**；支持**ECharts自定义图表**，增加包括柱状图、饼状图、直方图在内的20+图表类型；硬件监控支持**沐曦GPU**；集成 **[PaddleNLP](https://github.com/PaddlePaddle/PaddleNLP)** 框架； - 2025.05.25：日志支持记录**标准错误流**，PyTorch Lightning等框架的打印信息可以被更好地记录；硬件监控支持**摩尔线程**；新增运行命令记录安全防护功能，API Key将被自动隐藏； - 2025.05.14：支持**实验Tag**；支持折线图**Log Scale**；支持**分组拖拽**；大幅度优化了大量指标上传的体验；增加`swanlab.OpenApi`开放接口； - 2025.05.09：支持**折线图创建**；配置图表功能增加**数据源选择**功能，支持单张图表显示不同的指标；支持生成**训练项目GitHub徽章**； - 2025.04.23：支持折线图**编辑**，支持自由配置图表的X、Y轴数据范围和标题样式；图表搜索支持**正则表达式**；支持**昆仑芯XPU**的硬件检测与监控； - 2025.04.11：支持折线图**局部区域选取**；支持全局选择仪表盘折线图的step范围；支持一键隐藏全部图表； - 2025.04.08：支持**swanlab.Molecule**数据类型，支持记录与可视化生物化学分子数据；支持保存表格视图中的排序、筛选、列顺序变化状态； - 2025.04.07：我们与 [EvalScope](https://github.com/ModelScope/EvalScope) 完成了联合集成，现在你可以在EvalScope中使用SwanLab来**评估大模型性能**； - 2025.03.30：支持**swanlab.Settings**方法，支持更精细化的实验行为控制；支持**寒武纪MLU**硬件监控；支持 [Slack通知](https://docs.swanlab.cn/plugin/notification-slack.html)、[Discord通知](https://docs.swanlab.cn/plugin/notification-discord.html)； - 2025.03.21：🎉🤗HuggingFace Transformers已正式集成SwanLab（>=4.50.0版本），[#36433](https://github.com/huggingface/transformers/pull/36433)；新增 **Object3D图表** ，支持记录与可视化三维点云，[文档](https://docs.swanlab.cn/api/py-object3d.html)；硬件监控支持了 GPU显存（MB）、磁盘利用率、网络上下行的记录； - 2025.03.12：🎉🎉SwanLab**私有化部署版**现已发布！！[🔗部署文档](https://docs.swanlab.cn/guide_cloud/self_host/docker-deploy.html)；SwanLab 已支持插件扩展，如 [邮件通知](https://docs.swanlab.cn/plugin/notification-email.html)、[飞书通知](https://docs.swanlab.cn/plugin/notification-lark.html) - 2025.03.09：支持**实验侧边栏拉宽**；新增外显 Git代码按钮；新增 **sync_mlflow** 功能，支持与mlflow框架同步实验跟踪； - 2025.03.06：我们与 [DiffSynth Studio](https://github.com/modelscope/diffsynth-studio) 完成了联合集成，现在你可以在DiffSynth Studio中使用SwanLab来**跟踪和可视化Diffusion模型文生图/视频实验**，[使用指引](https://docs.swanlab.cn/guide_cloud/integration/integration-diffsynth-studio.html)； - 2025.03.04：新增 **MLFlow转换** 功能，支持将MLFlow实验转换为SwanLab实验，[使用指引](https://docs.swanlab.cn/guide_cloud/integration/integration-mlflow.html)； - 2025.03.01：新增 **移动实验** 功能，现在可以将实验移动到不同组织的不同项目下了； - 2025.02.24：我们与 [EasyR1](https://github.com/hiyouga/EasyR1) 完成了联合集成，现在你可以在EasyR1中使用SwanLab来**跟踪和可视化多模态大模型强化学习实验**，[使用指引](https://docs.swanlab.cn/guide_cloud/integration/integration-easyr1.html) - 2025.02.18：我们与 [Swift](https://github.com/modelscope/ms-swift) 完成了联合集成，现在你可以在Swift的CLI/WebUI中使用SwanLab来**跟踪和可视化大模型微调实验**，[使用指引](https://docs.swanlab.cn/guide_cloud/integration/integration-swift.html)。 - 2025.02.16：新增 **图表移动分组、创建分组** 功能。 - 2025.02.09：我们与 [veRL](https://github.com/verl-project/verl) 完成了联合集成，现在你可以在veRL中使用SwanLab来**跟踪和可视化大模型强化学习实验**，[使用指引](https://docs.swanlab.cn/guide_cloud/integration/integration-verl.html)。 - 2025.02.05：`swanlab.log`支持嵌套字典 [#812](https://github.com/SwanHubX/SwanLab/pull/812)，适配Jax框架特性；支持`name`与`notes`参数； - 2025.01.22：新增`sync_tensorboardX`与`sync_tensorboard_torch`功能，支持与此两种TensorBoard框架同步实验跟踪； - 2025.01.17：新增`sync_wandb`功能，[文档](https://docs.swanlab.cn/guide_cloud/integration/integration-wandb.html)，支持与Weights & Biases实验跟踪同步；大幅改进了日志渲染性能 - 2025.01.11：云端版大幅优化了项目表格的性能，并支持拖拽、排序、筛选等交互 - 2025.01.01：新增折线图**持久化平滑**、折线图拖拽式改变大小，优化图表浏览体验 - 2024.12.22：我们与 [LLaMA Factory](https://github.com/hiyouga/LlamaFactory) 完成了联合集成，现在你可以在LLaMA Factory中使用SwanLab来**跟踪和可视化大模型微调实验**，[使用指引](https://github.com/hiyouga/LlamaFactory?tab=readme-ov-file#use-swanlab-logger)。 - 2024.12.15：**硬件监控（0.4.0）** 功能上线，支持CPU、NPU（Ascend）、GPU（Nvidia）的系统级信息记录与监控。 - 2024.12.06：新增对[LightGBM](https://docs.swanlab.cn/guide_cloud/integration/integration-lightgbm.html)、[XGBoost](https://docs.swanlab.cn/guide_cloud/integration/integration-xgboost.html)的集成；提高了对日志记录单行长度的限制。 - 2024.11.26：环境选项卡-硬件部分支持识别**华为昇腾NPU**与**鲲鹏CPU**；云厂商部分支持识别青云**基石智算**。

## 👋🏻 什么是SwanLab SwanLab 是一款**AI训练分析与指标观测平台**，面向模型训练团队，提供训练可视化、自动日志记录、超参数记录、实验对比、多人协同等功能，帮助团队快速发现训练问题，加速模型迭代。在SwanLab上，研究者能基于直观的可视化图表发现训练问题，对比多个实验找到研究灵感，并通过**在线网页**的分享与基于组织的**多人协同训练**，打破团队沟通的壁垒，提高组织训练效率。 https://github.com/user-attachments/assets/7965fec4-c8b0-4956-803d-dbf177b44f54 以下是其核心特性列表： **1. 📊 实验指标与超参数跟踪**: 极简的代码嵌入您的机器学习 pipeline，跟踪记录训练关键指标 - ☁️ 支持**云端**使用（类似Weights & Biases），随时随地查看训练进展。[手机看实验的方法](https://docs.swanlab.cn/guide_cloud/general/app.html) - 📝 支持**超参数记录**、**指标总结**、**表格分析** - 🌸 **可视化训练过程**: 通过UI界面对实验跟踪数据进行可视化，可以让训练师直观地看到实验每一步的结果，分析指标走势，判断哪些变化导致了模型效果的提升，从而整体性地提升模型迭代效率。 - **支持的元数据类型**：标量指标、图像、音频、文本、视频、3D点云、生物化学分子、Echarts自定义图表... ![swanlab-table](readme_files/molecule.gif) - **支持的图表类型**：折线图、媒体图（图像、音频、文本、视频）、3D点云、生物化学分子、柱状图、散点图、箱线图、热力图、饼状图、雷达图、[自定义图表](https://docs.swanlab.cn/guide_cloud/experiment_track/log-custom-chart.html)... [![swanlab-echarts](readme_files/echarts.png)](https://swanlab.cn/@ZeyiLin/swanlab-echarts-demo/charts) - **LLM生成内容可视化组件**：为大语言模型训练场景打造的文本内容可视化图表，支持Markdown渲染 ![text-chart](readme_files/text-chart.gif) - **后台自动记录**：日志logging、硬件环境、Git 仓库、Python 环境、Python 库列表、项目运行目录 - **断点续训记录**：支持在训练完成/中断后，补充新的指标数据到同个实验中 **2. ⚡️ 全面的框架集成**: PyTorch、🤗HuggingFace Transformers、PyTorch Lightning、🦙LLaMA Factory、MMDetection、Ultralytics、PaddleDetetion、LightGBM、XGBoost、Keras、Tensorboard、Weights&Biases、Swift、XTuner、Stable Baseline3、Hydra 在内的 **30+** 框架 ![](readme_files/integrations.png) **3. 💻 硬件监控**: 支持实时记录与监控CPU、NPU（**昇腾Ascend**）、GPU（**英伟达Nvidia**）、AMD（**AMD ROCm**）、MLU（**寒武纪Cambricon**）、XLU（**昆仑芯Kunlunxin**）、DCU（**海光DCU**）、MetaX GPU（**沐曦XPU**）、Moore Threads GPU（**摩尔线程**）、Iluvatar GPU（**天数智芯**）、内存的系统级硬件指标 **4. 📦 实验管理**: 通过专为训练场景设计的集中式仪表板，通过整体视图速览全局，快速管理多个项目与实验 **5. 🆚 比较结果**: 通过在线表格与对比图表比较不同实验的超参数和结果，挖掘迭代灵感 ![](readme_files/swanlab-table.png) **6. 👥 在线协作**: 您可以与团队进行协作式训练，支持将实验实时同步在一个项目下，您可以在线查看团队的训练记录，基于结果发表看法与建议 **7. ✉️ 分享结果**: 复制和发送持久的 URL 来共享每个实验，方便地发送给伙伴，或嵌入到在线笔记中 **8. 💻 支持自托管**: 支持离线环境使用，自托管的社区版同样可以查看仪表盘与管理实验，[使用攻略](#-自托管) **9. 🔌 插件拓展**: 支持通过插件拓展SwanLab的使用场景，比如 [飞书通知](https://docs.swanlab.cn/plugin/notification-lark.html)、[Slack通知](https://docs.swanlab.cn/plugin/notification-slack.html)、[CSV记录器](https://docs.swanlab.cn/plugin/writer-csv.html)等 > \[!IMPORTANT] > > **收藏项目**，你将从 GitHub 上无延迟地接收所有发布通知～ ⭐️ ![star-us](readme_files/star-us.png)
## 📃 在线演示来看看 SwanLab 的在线演示： | [ResNet50 猫狗分类][demo-cats-dogs] | [Yolov8-COCO128 目标检测][demo-yolo] | | :------------------------------------------------------------: | :---------------------------------------------------------------------: | | [![][demo-cats-dogs-image]][demo-cats-dogs] | [![][demo-yolo-image]][demo-yolo] | | 跟踪一个简单的 ResNet50 模型在猫狗数据集上训练的图像分类任务。 | 使用 Yolov8 在 COCO128 数据集上进行目标检测任务，跟踪训练超参数和指标。 | | [Qwen2 指令微调][demo-qwen2-sft] | [LSTM Google 股票预测][demo-google-stock] | | :-------------------------------------------------------: | :--------------------------------------------------------------------: | | [![][demo-qwen2-sft-image]][demo-qwen2-sft] | [![][demo-google-stock-image]][demo-google-stock] | | 跟踪 Qwen2 大语言模型的指令微调训练，完成简单的指令遵循。 | 使用简单的 LSTM 模型在 Google 股价数据集上训练，实现对未来股价的预测。 | | [ResNeXt101 音频分类][demo-audio-classification] | [Qwen2-VL COCO数据集微调][demo-qwen2-vl] | | :---------------------------------------------------------------: | :--------------------------------------------------------: | | [![][demo-audio-classification-image]][demo-audio-classification] | [![][demo-qwen2-vl-image]][demo-qwen2-vl] | | 从ResNet到ResNeXt在音频分类任务上的渐进式实验过程 | 基于Qwen2-VL多模态大模型，在COCO2014数据集上进行Lora微调。 | | [EasyR1 多模态LLM RL训练][demo-easyr1-rl] | [Qwen2.5-0.5B GRPO训练][demo-qwen2-grpo] | | :-----------------------------------------: | :---------------------------------------------: | | [![][demo-easyr1-rl-image]][demo-easyr1-rl] | [![][demo-qwen2-grpo-image]][demo-qwen2-grpo] | | 使用EasyR1框架进行多模态LLM RL训练 | 基于Qwen2.5-0.5B模型在GSM8k数据集上进行GRPO训练 | [更多案例](https://docs.swanlab.cn/examples/mnist.html)
## 🏁 快速开始 ### 1.安装 ```bash pip install swanlab ```

源码安装

如果你想体验最新的特性，可以使用源码安装。 ```bash # 方式一 git clone https://github.com/SwanHubX/SwanLab.git pip install -e . # 方式二 pip install git+https://github.com/SwanHubX/SwanLab.git ```

离线看板拓展安装

[离线看板文档](https://docs.swanlab.cn/guide_cloud/offline-board.html) ```bash pip install 'swanlab[dashboard]' ```

### 2.登录并获取 API Key 1. 免费[注册账号](https://swanlab.cn) 2. 登录账号，在用户设置 > [API Key](https://swanlab.cn/settings) 里复制您的 API Key 3. 打开终端，输入： ```bash swanlab login ``` 出现提示时，输入您的 API Key，按下回车，完成登陆。 ### 3.将 SwanLab 与你的代码集成 ```python import swanlab # 初始化一个新的swanlab实验 swanlab.init( project="my-first-ml", config={"learning-rate": 0.003}, ) # 记录指标 for i in range(10): swanlab.log({"loss": i, "acc": i}) ``` 大功告成！前往[SwanLab](https://swanlab.cn)查看你的第一个 SwanLab 实验。
## 💻 自托管自托管社区版支持离线查看 SwanLab 仪表盘。 ![swanlab-kubernetes](./readme_files/swanlab-kubernetes.png) 详细部署文档见： - [🔗 Kubernetes部署文档](https://docs.swanlab.cn/self_host/kubernetes/deploy.html) - [🔗 Docker部署文档](https://docs.swanlab.cn/self_host/docker/deploy.html) - [🔗 从Docker到Kubernetes迁移文档](https://docs.swanlab.cn/self_host/docker/migration-docker-kubernetes.html)
## 🔥 实战案例 **使用SwanLab的优秀教程开源项目：** - [happy-llm](https://github.com/datawhalechina/happy-llm)：从零开始的大语言模型原理与实践教程 ![GitHub Repo stars](https://img.shields.io/github/stars/datawhalechina/happy-llm) - [self-llm](https://github.com/datawhalechina/self-llm)：《开源大模型食用指南》针对中国宝宝量身打造的基于Linux环境快速微调（全参数/Lora）、部署国内外开源大模型（LLM）/多模态大模型（MLLM）教程 ![GitHub Repo stars](https://img.shields.io/github/stars/datawhalechina/self-llm) - [Minimind](https://github.com/jingyaogong/minimind)：🚀🚀 「大模型」2小时完全从0训练26M的小参数GPT！![GitHub Repo stars](https://img.shields.io/github/stars/jingyaogong/minimind) - [unlock-deepseek](https://github.com/datawhalechina/unlock-deepseek)：DeepSeek 系列工作解读、扩展和复现 ![GitHub Repo stars](https://img.shields.io/github/stars/datawhalechina/unlock-deepseek) - [Qwen3-SmVL](https://github.com/ShaohonChen/Qwen3-SmVL): 将SmolVLM2的视觉头与Qwen3-0.6B模型进行了拼接微调 ![GitHub Repo stars](https://img.shields.io/github/stars/ShaohonChen/Qwen3-SmVL) - [OPPO/Agent_Foundation_Models](https://github.com/OPPO-PersonalAI/Agent_Foundation_Models): 通过多Agent蒸馏和Agent RL的端到端Agent基础模型。 ![GitHub Repo stars](https://img.shields.io/github/stars/OPPO-PersonalAI/Agent_Foundation_Models) - [Tree-GRPO](https://github.com/AMAP-ML/Tree-GRPO): [ICLR 2026] 树搜索在LLM Agent RL中的应用 ![GitHub Repo stars](https://img.shields.io/github/stars/AMAP-ML/Tree-GRPO) - [FIPO](https://github.com/qwenpilot/FIPO): This code implements the algorithm of FIPO, a value-free RL recipe for eliciting deeper reasoning from a clean base model. ![GitHub Repo stars](https://img.shields.io/github/stars/qwenpilot/FIPO) - [llm-agent-rl-lab](https://github.com/KMnO4-zx/llm-agent-rl-lab): Reproducing and studying RL algorithms for LLM agents, including PPO, GRPO, GSPO, DAPO, OPD and beyond. ![GitHub Repo stars](https://img.shields.io/github/stars/KMnO4-zx/llm-agent-rl-lab) **使用SwanLab的优秀论文：** - [Accelerating AlphaZero Training for Connect6 via Behavioral Cloning Initialization and Prior Action Masking in Resource-Constrained Environments](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6730709) - [SeePhys Pro: Diagnosing Modality Transfer and Blind-Training Effects in Multimodal RLVR for Physics Reasoning](https://arxiv.org/abs/2605.09266) - [MemFactory: Unified Inference & Training Framework for Agent Memory](https://arxiv.org/abs/2603.29493) - [ILL: A Lightweight Large Language Model for Legal and Courtroom Assistance](https://www.mdpi.com/2079-9292/15/11/2401) - [Retrieval, Reward, and Training Protocols: What Matters in Training Search Agents?](https://arxiv.org/pdf/2605.27881) - [MolAct: An Agentic RL Framework for Molecular Editing and Property Optimization](https://arxiv.org/abs/2512.20135) - [CQLLM: A Framework for Generating CodeQL Security Vulnerability Detection Code Based on Large Language Model](https://www.preprints.org/manuscript/202510.1458) - [Animation Needs Attention: A Holistic Approach to Slides Animation Comprehension with Visual-Language Models](https://arxiv.org/abs/2507.03916) - [Efficient Model Fine-Tuning with LoRA for Biomedical Named Entity Recognition](https://ieeexplore.ieee.org/abstract/document/11082049/) - [SpectrumWorld: Artificial Intelligence Foundation for Spectroscopy](https://arxiv.org/abs/2508.01188) - [CodeBoost: Boosting Code LLMs by Squeezing Knowledge from Code Snippets with RL](https://arxiv.org/pdf/2508.05242) - [A Joint Classification Method for Traditional Chinese Medicine Diseases and Syndromes Based on BertChinese-RCNNATTN](https://dl.acm.org/doi/full/10.1145/3759972.3759979) - [A Gradient-Norm-Aware Optimizer for Symmetry-Preserving and Stable Deep Learning](https://www.mdpi.com/2073-8994/18/2/374) - [TrafficBM: A Dual-Modality Pre-Training Framework for Network Traffic Classification](https://ieeexplore.ieee.org/document/11304658) - [Using Human Cumulative Prospect Theory to Understand Large Language Models Decision-Making](https://ieeexplore.ieee.org/document/11300712) - [BiPACE: Bisimulation-Guided Policy Optimization with Action Counterfactual Estimation for LLM Agents](https://arxiv.org/abs/2606.25556) **教程文章：** - [MNIST手写体识别](https://docs.swanlab.cn/examples/mnist.html) - [FashionMNIST服装分类](https://docs.swanlab.cn/examples/fashionmnist.html) - [Cifar10图像分类](https://docs.swanlab.cn/examples/cifar10.html) - [Resnet猫狗分类](https://docs.swanlab.cn/examples/cats_dogs_classification.html) - [Yolo目标检测](https://docs.swanlab.cn/examples/yolo.html) - [UNet医学影像分割](https://docs.swanlab.cn/examples/unet-medical-segmentation.html) - [音频分类](https://docs.swanlab.cn/examples/audio_classification.html) - [DQN强化学习-推车倒立摆](https://docs.swanlab.cn/examples/dqn_cartpole.html) - [LSTM Google股票预测](https://docs.swanlab.cn/examples/audio_classification.html) - [BERT文本分类](https://docs.swanlab.cn/examples/bert.html) - [Stable Diffusion文生图微调](https://docs.swanlab.cn/examples/stable_diffusion.html) - [LLM预训练](https://docs.swanlab.cn/examples/pretrain_llm.html) - [GLM4指令微调](https://docs.swanlab.cn/examples/glm4-instruct.html) - [Qwen下游任务训练](https://docs.swanlab.cn/examples/qwen_finetune.html) - [NER命名实体识别](https://docs.swanlab.cn/examples/ner.html) - [Qwen3医学模型微调](https://docs.swanlab.cn/examples/qwen3-medical.html) - [Qwen2-VL多模态大模型微调实战](https://docs.swanlab.cn/examples/qwen_vl_coco.html) - [GRPO大模型强化学习](https://docs.swanlab.cn/examples/qwen_grpo.html) - [Qwen3-SmVL-0.6B多模态模型训练](https://docs.swanlab.cn/examples/qwen3_smolvlm_muxi.html) - [LeRobot 具身智能入门](https://docs.swanlab.cn/examples/robot/lerobot-guide.html) - [GLM-4.5-Air-LoRA 及 SwanLab 可视化记录](https://github.com/datawhalechina/self-llm/blob/master/models/GLM-4.5-Air/03-GLM-4.5-Air-Lora%20%E5%8F%8A%20Swanlab%20%E5%8F%AF%E8%A7%86%E5%8C%96%E5%BE%AE%E8%B0%83.md) - [RAG怎么做？SwanLab文档助手方案开源了](https://docs.swanlab.cn/course/prompt_engineering_course/11-swanlab_rag/1.swanlab-rag.html) 🌟如果你有想收录的教程，欢迎提交PR！
## 🎮 硬件记录 SwanLab会对AI训练过程中所使用的**硬件信息**和**资源使用情况**进行记录，下面是支持情况表格： | 硬件 | 信息记录 | 资源监控 | 脚本 | | ----------- | -------- | -------- | ---------------------------------------------------------------------------------------------------------------------------------------------- | | 英伟达GPU | ✅ | ✅ | [nvidia.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/nvidia.py) | | AMD GPU | ✅ | ✅ | [amd.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/amd.py) | | 昇腾NPU | ✅ | ✅ | [ascend.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/huawei.py) | | 寒武纪MLU | ✅ | ✅ | [cambricon.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/cambricon.py) | | 昆仑芯XPU | ✅ | ✅ | [kunlunxin.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/kunlunxin.py) | | 摩尔线程GPU | ✅ | ✅ | [moorethreads.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/moorethreads.py) | | 沐曦GPU | ✅ | ✅ | [metax.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/metax.py) | | 天数智芯GPU | ✅ | ✅ | [iluvatar.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/iluvatar.py) | | 海光DCU | ✅ | ✅ | [hygon.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/accelerator/hygon.py) | | CPU | ✅ | ✅ | [cpu.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/cpu.py) | | 内存 | ✅ | ✅ | [memory.py](https://github.com/SwanHubX/SwanLab/blob/main/swanlab/sdk/internal/probe_python/hardware_vendor/memory.py) | 如果你希望记录其他硬件，欢迎提交Issue与PR！
## 🚗 框架集成将你最喜欢的框架与 SwanLab 结合使用！下面是我们已集成的框架列表，欢迎提交 [Issue](https://github.com/swanhubx/swanlab/issues) 来反馈你想要集成的框架。 **基础框架** - [PyTorch](https://docs.swanlab.cn/guide_cloud/integration/integration-pytorch.html) - [MindSpore](https://docs.swanlab.cn/guide_cloud/integration/integration-ascend.html) - [Keras](https://docs.swanlab.cn/guide_cloud/integration/integration-keras.html) **LLM训练框架** - [HuggingFace Transformers](https://docs.swanlab.cn/guide_cloud/integration/integration-huggingface-transformers.html) - [LLaMA Factory](https://docs.swanlab.cn/guide_cloud/integration/integration-llama-factory.html) - [MS-Swift](https://docs.swanlab.cn/guide_cloud/integration/integration-swift.html) - [Unsloth](https://docs.swanlab.cn/guide_cloud/integration/integration-unsloth.html) - [MLX-LM](https://docs.swanlab.cn/guide_cloud/integration/integration-mlx-lm.html) - [Torchtune](https://docs.swanlab.cn/guide_cloud/integration/integration-pytorch-torchtune.html) - [PaddleNLP](https://docs.swanlab.cn/guide_cloud/integration/integration-paddlenlp.html) - [Sentence Transformers](https://docs.swanlab.cn/guide_cloud/integration/integration-sentence-transformers.html) - [XTuner](https://docs.swanlab.cn/guide_cloud/integration/integration-xtuner.html) - [OpenMind](https://modelers.cn/docs/zh/openmind-library/1.0.0/basic_tutorial/finetune/finetune_pt.html#%E8%AE%AD%E7%BB%83%E7%9B%91%E6%8E%A7) **LLM强化学习框架** - [veRL](https://docs.swanlab.cn/guide_cloud/integration/integration-verl.html) - [HuggingFace trl](https://docs.swanlab.cn/guide_cloud/integration/integration-huggingface-trl.html) - [NVIDIA-NeMo RL](https://docs.swanlab.cn/guide_cloud/integration/integration-nvidia-nemo-rl.html) - [EasyR1](https://docs.swanlab.cn/guide_cloud/integration/integration-easyr1.html) - [AReaL](https://docs.swanlab.cn/guide_cloud/integration/integration-areal.html) - [ROLL](https://docs.swanlab.cn/guide_cloud/integration/integration-roll.html) **机器人框架** - [RLinf](https://docs.swanlab.cn/guide_cloud/integration/integration-rlinf.html) **文生图/视频训练框架** - [DiffSynth Studio](https://docs.swanlab.cn/guide_cloud/integration/integration-diffsynth-studio.html) **深度学习框架** - [PyTorch Lightning](https://docs.swanlab.cn/guide_cloud/integration/integration-pytorch-lightning.html) - [MMEngine](https://docs.swanlab.cn/guide_cloud/integration/integration-mmengine.html) - [FastAI](https://docs.swanlab.cn/guide_cloud/integration/integration-fastai.html) **计算机视觉** - [Ultralytics](https://docs.swanlab.cn/guide_cloud/integration/integration-ultralytics.html) - [MMDetection](https://docs.swanlab.cn/guide_cloud/integration/integration-mmdetection.html) - [MMSegmentation](https://docs.swanlab.cn/guide_cloud/integration/integration-mmsegmentation.html) - [PaddleDetection](https://docs.swanlab.cn/guide_cloud/integration/integration-paddledetection.html) - [PaddleYOLO](https://docs.swanlab.cn/guide_cloud/integration/integration-paddleyolo.html) **机器学习框架** - [LightGBM](https://docs.swanlab.cn/guide_cloud/integration/integration-lightgbm.html) - [XGBoost](https://docs.swanlab.cn/guide_cloud/integration/integration-xgboost.html) - [CatBoost](https://docs.swanlab.cn/guide_cloud/integration/integration-catboost.html) **评估框架** - [EvalScope](https://docs.swanlab.cn/guide_cloud/integration/integration-evalscope.html) **传统强化学习框架** - [Stable Baseline3](https://docs.swanlab.cn/guide_cloud/integration/integration-sb3.html) **其他框架：** - [Tensorboard](https://docs.swanlab.cn/guide_cloud/integration/integration-tensorboard.html) - [Weights&Biases](https://docs.swanlab.cn/guide_cloud/integration/integration-wandb.html) - [MLFlow](https://docs.swanlab.cn/guide_cloud/integration/integration-mlflow.html) - [HuggingFace Accelerate](https://docs.swanlab.cn/guide_cloud/integration/integration-huggingface-accelerate.html) - [Ray](https://docs.swanlab.cn/guide_cloud/integration/integration-ray.html) - [Hydra](https://docs.swanlab.cn/guide_cloud/integration/integration-hydra.html) - [Omegaconf](https://docs.swanlab.cn/guide_cloud/integration/integration-omegaconf.html) - [SpecForge](https://docs.swanlab.cn/guide_cloud/integration/integration-specforge.html) [更多集成](https://docs.swanlab.cn/guide_cloud/integration/integration-any-library.html)
## 🔌 插件与API 欢迎通过插件来拓展SwanLab的功能，增强你的实验管理体验！ - [自定义你的插件](https://docs.swanlab.cn/plugin/custom-plugin.html) - [邮件通知](https://docs.swanlab.cn/plugin/notification-email.html) - [飞书通知](https://docs.swanlab.cn/plugin/notification-lark.html) - [钉钉通知](https://docs.swanlab.cn/plugin/notification-dingtalk.html) - [企业微信通知](https://docs.swanlab.cn/plugin/notification-wxwork.html) - [Discord通知](https://docs.swanlab.cn/plugin/notification-discord.html) - [Slack通知](https://docs.swanlab.cn/plugin/notification-slack.html) - [Bark通知](https://docs.swanlab.cn/plugin/notification-bark.html) - [CSV记录器](https://docs.swanlab.cn/plugin/writer-csv.html) 开放接口： - [OpenAPI](https://docs.swanlab.cn/api/py-openapi.html)
## 🆚 与熟悉的工具的比较 ### Tensorboard vs SwanLab - **☁️ 支持在线使用**：通过 SwanLab 可以方便地将训练实验在云端在线同步与保存，便于远程查看训练进展、管理历史项目、分享实验链接、发送实时消息通知、多端看实验等。而 Tensorboard 是一个离线的实验跟踪工具。 - **👥 多人协作**：在进行多人、跨团队的机器学习协作时，通过 SwanLab 可以轻松管理多人的训练项目、分享实验链接、跨空间交流讨论。而 Tensorboard 主要为个人设计，难以进行多人协作和分享实验。 - **💻 持久、集中的仪表板**：无论你在何处训练模型，无论是在本地计算机上、在实验室集群还是在公有云的 GPU 实例中，你的结果都会记录到同一个集中式仪表板中。而使用 TensorBoard 需要花费时间从不同的机器复制和管理 TFEvent 文件。 - **💪 更强大的表格**：通过 SwanLab 表格可以查看、搜索、过滤来自不同实验的结果，可以轻松查看数千个模型版本并找到适合不同任务的最佳性能模型。 TensorBoard 不适用于大型项目。 ### Weights and Biases vs SwanLab - Weights and Biases 是一个必须联网使用的闭源 MLOps 平台 - SwanLab 不仅支持联网使用，也支持开源、免费、自托管的版本
## 👥 社区 ### 周边仓库 - [self-hosted](https://github.com/swanhubx/self-hosted)：私有化部署脚本仓库 - [SwanLab-Docs](https://github.com/swanhubx/swanlab-docs)：官方文档仓库 - [SwanLab-Dashboard](https://github.com/swanhubx/swanlab-dashboard)：离线看板仓库，存放了由`swanlab watch`打开的轻量离线看板的web代码 ### 社区与支持 - [GitHub Issues](https://github.com/SwanHubX/SwanLab/issues)：使用 SwanLab 时遇到的错误和问题 - [电子邮件支持](zeyi.lin@swanhub.co)：反馈关于使用 SwanLab 的问题 - 微信交流群：交流使用 SwanLab 的问题、分享最新的 AI 技术 ### SwanLab README 徽章如果你喜欢在工作中使用 SwanLab，请将 SwanLab 徽章添加到你的 README 中： [![][tracking-swanlab-shield]][tracking-swanlab-shield-link]、[![][visualize-swanlab-shield]][visualize-swanlab-shield-link] ``` [![](https://raw.githubusercontent.com/SwanHubX/assets/main/badge2.svg)](your experiment url) [![](https://raw.githubusercontent.com/SwanHubX/assets/main/badge1.svg)](your experiment url) ``` 更多设计素材：[assets](https://github.com/SwanHubX/assets) ### 在论文中引用 SwanLab 如果您发现 SwanLab 对您的研究之旅有帮助，请考虑以下列格式引用： ```bibtex @software{Zeyilin_SwanLab_2023, author = {Zeyi Lin, Shaohong Chen, Kang Li, Qiushan Jiang, Zirui Cai, Kaifang Ji and {The SwanLab team}}, doi = {10.5281/zenodo.11100550}, license = {Apache-2.0}, title = {{SwanLab}}, url = {https://github.com/swanhubx/swanlab}, year = {2023} } ``` ### 为 SwanLab 做出贡献考虑为 SwanLab 做出贡献吗？首先，请花点时间阅读 [贡献指南](CONTRIBUTING.md)。同时，我们非常欢迎通过社交媒体、活动和会议的分享来支持 SwanLab，衷心感谢！
**Contributors**

## 📃 协议本仓库遵循 [Apache 2.0 License](https://github.com/SwanHubX/SwanLab/blob/main/LICENSE) 开源协议 ## Star History

[release-shield]: https://img.shields.io/github/v/release/swanhubx/swanlab?color=369eff&labelColor=black&logo=github&style=flat-square [release-link]: https://github.com/swanhubx/swanlab/releases [license-shield]: https://img.shields.io/badge/license-apache%202.0-white?labelColor=black&style=flat-square [license-shield-link]: https://github.com/SwanHubX/SwanLab/blob/main/LICENSE [last-commit-shield]: https://img.shields.io/github/last-commit/swanhubx/swanlab?color=c4f042&labelColor=black&style=flat-square [last-commit-shield-link]: https://github.com/swanhubx/swanlab/commits/main [pypi-version-shield]: https://img.shields.io/pypi/v/swanlab?color=orange&labelColor=black&style=flat-square [pypi-version-shield-link]: https://pypi.org/project/swanlab/ [pypi-downloads-shield]: https://static.pepy.tech/badge/swanlab?labelColor=black&style=flat-square [pypi-downloads-shield-link]: https://pepy.tech/project/swanlab [swanlab-cloud-shield]: https://img.shields.io/badge/Product-SwanLab云端版-636a3f?labelColor=black&style=flat-square [swanlab-cloud-shield-link]: https://swanlab.cn/ [wechat-shield]: https://img.shields.io/badge/WeChat-微信-4cb55e?labelColor=black&style=flat-square [wechat-shield-link]: https://docs.swanlab.cn/guide_cloud/community/online-support.html [colab-shield]: https://colab.research.google.com/assets/colab-badge.svg [colab-shield-link]: https://colab.research.google.com/drive/1RWsrY_1bS8ECzaHvYtLb_1eBkkdzekR3?usp=sharing [github-stars-shield]: https://img.shields.io/github/stars/swanhubx/swanlab?labelColor&style=flat-square&color=ffcb47 [github-stars-link]: https://github.com/swanhubx/swanlab [github-issues-shield]: https://img.shields.io/github/issues/swanhubx/swanlab?labelColor=black&style=flat-square&color=ff80eb [github-issues-shield-link]: https://github.com/swanhubx/swanlab/issues [github-contributors-shield]: https://img.shields.io/github/contributors/swanhubx/swanlab?color=c4f042&labelColor=black&style=flat-square [github-contributors-link]: https://github.com/swanhubx/swanlab/graphs/contributors [demo-cats-dogs]: https://swanlab.cn/@ZeyiLin/Cats_Dogs_Classification/runs/jzo93k112f15pmx14vtxf/chart [demo-cats-dogs-image]: readme_files/example-catsdogs.png [demo-yolo]: https://swanlab.cn/@ZeyiLin/ultratest/runs/yux7vclmsmmsar9ear7u5/chart [demo-yolo-image]: readme_files/example-yolo.png [demo-qwen2-sft]: https://swanlab.cn/@ZeyiLin/Qwen2-fintune/runs/cfg5f8dzkp6vouxzaxlx6/chart [demo-qwen2-sft-image]: readme_files/example-qwen2.png [demo-google-stock]: https://swanlab.cn/@ZeyiLin/Google-Stock-Prediction/charts [demo-google-stock-image]: readme_files/example-lstm.png [demo-audio-classification]: https://swanlab.cn/@ZeyiLin/PyTorch_Audio_Classification/charts [demo-audio-classification-image]: readme_files/example-audio-classification.png [demo-qwen2-vl]: https://swanlab.cn/@ZeyiLin/Qwen2-VL-finetune/runs/pkgest5xhdn3ukpdy6kv5/chart [demo-qwen2-vl-image]: readme_files/example-qwen2-vl.jpg [demo-easyr1-rl]: https://swanlab.cn/@Kedreamix/easy_r1/runs/wzezd8q36bb6dlza6wtpc/chart [demo-easyr1-rl-image]: readme_files/example-easyr1-rl.png [demo-qwen2-grpo]: https://swanlab.cn/@kmno4/Qwen-R1/runs/t0zr3ak5r7188mjbjgdsc/chart [demo-qwen2-grpo-image]: readme_files/example-qwen2-grpo.png [tracking-swanlab-shield-link]: https://swanlab.cn [tracking-swanlab-shield]: https://raw.githubusercontent.com/SwanHubX/assets/main/badge2.svg [visualize-swanlab-shield-link]: https://swanlab.cn [visualize-swanlab-shield]: https://raw.githubusercontent.com/SwanHubX/assets/main/badge1.svg [dockerhub-shield]: https://img.shields.io/docker/v/swanlab/swanlab-next?color=369eff&label=docker&labelColor=black&logoColor=white&style=flat-square [dockerhub-link]: https://hub.docker.com/r/swanlab/swanlab-next/tags