一键拉起分布式训练，自动调参省心省力
Determined 是一个开源机器学习平台，旨在简化分布式训练、超参数调优、实验追踪和资源管理。它支持 PyTorch 和 TensorFlow，提供统一的 API 和 CLI，让用户无需深入底层分布式系统细节即可轻松扩展训练任务。平台内置了先进的超参数搜索算法（如贝叶斯优化），自动记录实验元数据和指标，并提供 Web UI 进行可视化对比。同时，它具备集群资源调度能力，可动态分配 GPU 等资源，提高利用率。对于团队协作，Determined 支持实验共享和权限管理，帮助组织更高效地迭代模型。
1安装 Determined CLI
使用 pip 安装 determined 包，安装后即可使用 det 命令行工具，这是本地和云端部署的统一入口。
pip install determined2启动本地集群
用 det deploy 在本地拉起一个 Determined 集群，之后才能提交实验；集群参数 README 未展开，详见 on-prem 部署指南。
det deploy local cluster-up3改造训练代码
把已有的 PyTorch/TensorFlow 代码整理成类式 API（如 PyTorchTrial）或只用需要的函数（Core API），使其兼容 Determined。
4提交训练实验
用 YAML 文件描述分布式训练、超参数搜索等配置，然后通过 det experiment create 把代码目录和配置一起提交。
det experiment create gpt.yaml .5部署到云端(可选)
如需使用云端 GPU，可通过 det deploy 在 AWS 或 GCP 上部署集群，具体参数见对应云厂商部署指南。
det deploy aws up| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
resources | 否 | 实验 YAML 中用于配置资源的字段，README 中该示例被截断，完整写法见官方文档 | resources: |
README 未给出验证命令；本地集群启动后可用 det CLI 继续提交实验来确认集群可用。
Q：Determined 支持哪些深度学习框架？
A：兼容 PyTorch 和 TensorFlow，可用 PyTorchTrial 类式 API 或 Core API（det.core.init）接入现有代码。
Q：如何把已有训练代码接入？
A：两种方式：一是整理成 PyTorchTrial 等类式 API；二是只调用需要的函数，通过 Core API 的 det.core.init() 初始化。
Q：只能在本地跑吗？
A：不是。除本地（on-prem）外，还支持 AWS、GCP、Kubernetes 以及 Slurm/PBS，分别有对应的集群部署指南。
Q：超参数调优和分布式训练怎么配置？
A：通过 YAML 文件统一配置，从分布式训练到超参数调优都由该配置文件描述。
Kubeflow、Polyaxon、MLflow
determined 是模型训练领域的开源项目，由 determined-ai 开发，2020 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（3,239）位列前 30%，在模型训练分类的 522 个项目里位列前 14%。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-18。开源平台，Apache-2.0 许可证，可免费自托管使用，无付费版本。
它主要面向的使用场景是：团队需要快速进行大规模分布式训练。同类可对比的替代方案包括 Kubeflow、Polyaxon、MLflow。
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···