Muzhi AI Middle Platform
把 AI，
把 AI，
沉淀为企业的 基础设施
云开 AI 中台统一管理模型、数据与算力：从数据准备、训练微调、评测对比到发布运营，一条流水线走完模型全生命周期。
1 条模型全生命周期流水线
3 类训练方式（SFT / LoRA / 全参）
20+内置评测基准集
GPU资源池化统一调度
客服领域模型
已发布
v3.2 · LoRA
合同审查模型
训练中
v1.4 · SFT
通用知识问答数据集
已标注
DS-2026-08
Core Capabilities
模型资产化的五个支点
让每一次训练有数据可依、每一次发布有评测背书、每一次运行有监控护航。
数据工程中心
多源数据接入、清洗去重、智能分片与标注质检，为训练准备高质量语料。
训练与微调
SFT、LoRA、全参微调三种方式一键发起，训练任务可视化跟踪，资源自动伸缩。
评测对比中心
20+ 内置基准集加自定义业务题集，多模型同屏对比，发布前有数据背书。
模型仓库
版本、权重、配置、评测报告统一归档，模型资产可检索、可追溯、可复用。
发布与运营
一键部署为在线服务或注册进 API 网关，灰度放量与回滚机制保障稳定性。
算力资源池
GPU 资源池化调度，训练与推理错峰复用，利用率与成本双优化。
Model Lifecycle
一条流水线，走完模型全生命周期
每个环节产物自动沉淀为资产，下一环节直接复用，杜绝重复劳动。
Why Middle Platform
什么时候，你需要一个 AI 中台？
这些信号说明模型管理已经失控
- 模型散落在各团队，没人说得清线上跑的是哪个版本
- 每次微调都从零搭环境，训练代码无法复用
- 上线全凭感觉，缺少统一的评测标准与回归验证
- GPU 忙闲不均，推理高峰抢不到卡，训练时段又闲置
中台落地后，你会得到
- 统一的模型资产目录，版本、指标、血缘一目了然
- 标准化的训练与评测流水线，新模型迭代周期明显缩短
- 发布必须过评测门禁，线上质量有据可依
- 算力池化调度，同样的硬件承载更多任务
5步模型生命周期闭环
20+内置评测基准集
3种微调训练方式
1个统一算力资源池
Live Integration
真实接入状态 · AI-Studio 双端
19 个功能页已全部挂接真实接口（应用端 + 管理端，经 8080 同源桥 /aistudio/*）。
AI-Studio 桥（8080） 探测中…
| 宣称能力 | 落地 | 真实功能位置（点击进入） |
|---|---|---|
| 数据工程中心 | ✅ | 知识库 · 文件管理 · AI 知识库（管理端） |
| 训练与微调 | ◐ | 模型接入与参数配置已接：AI 模型配置；训练执行引擎未接入（规划） |
| 评测对比中心 | ✗ | 评测引擎未接入（宣称的 20+ 基准集暂无真实对应） |
| 模型仓库 | ◐ | 模型资产与算力（资产目录视图级） |
| 发布与运营 | ✅ | 聊天助手 · Agent 编排 · API 密钥（/api/v1 开放调用） |
| 算力资源池 | ◐ | 算力视图；调度执行未接入 |
其余在用页面：搜索应用 · MCP 服务 · 提示词库 · 团队与授权 · AI 应用管理 · AI 流程设计 · OCR 识别 · AI 监控 · 平台设置；门户入口：console-middle.html（同源 iframe 工作区）。
鉴权链路：管理端
/sys/login（默认 admin 自动登录）签发 JWT，应用端接受同源 SSO；开放接口走 API-Key（平台设置页配置）。上游离线时，桥接返回 502 JSON，各页面自动降级提示。