AI产业链地图

模型版本控制

又名 Model Registry · Model Versioning · 模型注册中心 · 模型仓库

模型版本控制是把每个模型工件（artifact）按版本号管理，记录

第三层 · AI 基础设施
首次提出2018关键参与方MLflow · Weights & Biases · Hugging Face · Databricks

模型版本控制（Model Registry / Versioning）

把 "代码 Git" 的版本控制思想搬到模型 — 每次训练产生的模型权重、超参数、训练数据指针、评估指标、依赖环境一并版本化，是 MLOps 的核心组件之一。

定义

维度 内容
模型权重 二进制权重文件、checkpoint
元数据 训练数据集、超参数、训练代码 commit hash
评估 验证集指标（accuracy / F1 / loss / 等）
依赖 Python 版本、库版本、Docker 镜像
血缘 上游数据 / 特征 / 训练任务 ID
生命周期 None → Staging → Production → Archived
签名 & 安全 SBOM、签名校验、漏洞扫描

主流工具

工具 出品 特点
MLflow Model Registry Databricks 开源 事实标准，开源
Weights & Biases Models W&B 与实验追踪深度集成
Hugging Face Hub Hugging Face 公开模型 "GitHub"，100 万+ 模型
Vertex AI Model Registry Google Cloud GCP 原生
SageMaker Model Registry AWS AWS 原生
Azure ML Model Registry Microsoft Azure 原生
BentoML BentoML 开源 + 模型打包

中国对标

核心场景

  1. 可重现性 — 1 年前的模型能精确重训出来
  2. A/B 实验 — 同时上线多个版本对比效果
  3. 回滚 — 新版异常立即回到上版
  4. 审计与合规 — 金融/医疗强监管行业必须记录每次模型变更
  5. 多团队协作 — 数据科学家训完 → 上传 → 工程师拉取部署
  6. 联邦/边缘部署 — 同一模型不同版本下发到不同边缘节点

与传统 Git 的差异

维度 Git（代码） Model Registry（模型）
文件大小 KB-MB MB-GB（甚至 100GB+ for LLM）
差异计算 Line-level diff 二进制无意义，需指标对比
元数据 commit 信息 训练数据 / 超参 / 指标
生命周期 branch / tag Stage 阶段（Staging→Prod）
验收 代码评审 评估指标 + 公平性 + 漂移测试

演进

  • 2018 ModelDB / Polyaxon 等早期工具
  • 2019 MLflow 1.0 引入 Model Registry → 事实标准
  • 2022 Hugging Face Hub 成为开源大模型标准发布平台
  • 2024-25 LLM 时代，Model Registry 扩展支持 提示词版本 / RAG 知识库版本 / Agent 版本

相关

所属AI原生中间件与开发平台

增量补充（2026-05-29）

  • 核实正文「Hugging Face Hub 100 万+ 模型」属实且趋于保守：Hub 已于 2025 年突破 200 万公开模型（首个 100 万耗时约 1,000 天、第二个 100 万仅 335 天），用户超 1,300 万、公开数据集 50 万+（依据 Hugging Face 官方 "State of Open Source on Hugging Face" + arXiv 2508.06811 生态研究，时点更新）。原 "100万+" 表述未失实，故不订正，仅补记最新量级。