1、模型版本管理概述：为什么需要模型版本管理、核心概念与传统代码版本控制的区别

说实话，我刚开始做AI工程化那会儿，也踩过不少坑。那时候团队里训练模型，大家都是「模型_v1」、「模型_v2_final」、「模型_v3_真的最终版」这么命名。你想想看，这跟当年写代码用「代码_最终版.doc」有啥区别？

后来有一次，线上模型出了个诡异的问题。我们花了整整两天，才从一堆命名混乱的模型文件里找到那个「罪魁祸首」——原来有人把测试分支的模型直接部署上线了。嗯，从那以后，我下定决心要把模型版本管理搞起来。

为什么需要模型版本管理？

说白了，模型不是一次性的东西。它跟代码一样，需要迭代、需要回滚、需要追溯。我见过太多团队，模型出了问题只能「重新训练一个」，连之前那个效果好的版本都找不到了。

具体来说，有这几个痛点：

• 复现困难：你记得半年前那个准确率92%的模型是怎么训出来的吗？没有版本管理，你只能靠回忆。我个人习惯是，每个模型版本都记录下训练参数、数据集版本、代码commit号，这样半年后回来还能无缝复现。
• 部署混乱：线上跑的是哪个版本？测试环境用的是哪个？没有清晰的版本标记，部署就是一场赌博。我在项目中遇到过，测试环境和生产环境用的模型版本不一致，结果线上效果差了10个点。
• 协作低效：团队里五个人同时在改模型，你改你的，我改我的，最后合并的时候一团糟。这跟代码分支管理是一个道理。
• 审计合规：金融、医疗这些行业，监管要求你证明模型是怎么来的、谁改过、改了什么。没有版本管理，你拿什么证明？

核心概念：模型、版本、注册表

这三个概念，我建议你像记「代码、分支、仓库」一样记牢它们。

模型（Model）

模型是什么？就是训练出来的那个参数文件，加上它的元数据。元数据包括：训练代码版本、数据集版本、超参数、评估指标、训练时间、训练者等等。我习惯把模型理解成一个「包裹」，里面装着参数文件，外面贴着标签（元数据）。

版本（Version）

版本就是模型的「快照」。每次你修改了模型结构、重新训练、或者调整了超参数，都应该生成一个新版本。版本号怎么定？我建议用语义化版本：

版本号	含义	举例
主版本号	模型结构重大变更	从ResNet50换成ViT
次版本号	新增功能或优化	加了数据增强、改了损失函数
修订号	小修小补	调整学习率、修复bug

举个例子：v2.3.1 表示主版本2，第3次功能更新，第1次补丁修复。这样一看就知道版本之间的关系。

注册表（Registry）

注册表就是模型的「中央仓库」。所有模型版本都注册到这里，你可以查询、下载、部署。它有点像Docker Hub，但存的是模型而不是容器镜像。

注册表里通常包含：

• 模型名称和描述
• 所有历史版本列表
• 每个版本的元数据
• 版本之间的依赖关系
• 部署状态（哪个版本在线上）

与传统代码版本控制的区别

很多人觉得：「不就是Git那一套吗？把模型文件放Git里不就行了？」

嗯，这里要注意。模型文件和代码文件有本质区别：

维度	代码版本控制	模型版本管理
文件大小	KB到MB级别	GB到TB级别（大模型）
变更方式	文本diff，逐行对比	二进制文件，无法diff
依赖关系	代码之间互相引用	依赖数据、训练代码、环境
回滚成本	低，git checkout即可	高，需要重新部署
审计需求	代码变更记录	训练过程、数据、超参数全链路

你想想看，Git存一个几百MB的模型文件，每次commit都要全量复制，仓库很快就爆炸了。而且模型文件是二进制的，你没法像看代码diff一样看两个模型有什么区别。

所以，模型版本管理需要专门的工具和策略。我个人习惯的做法是：

• 代码用Git管理
• 模型文件用对象存储（S3、OSS）或专门的模型注册表
• 用元数据文件把代码版本和模型版本关联起来

知识体系总览

下面这张图，是我梳理的模型版本管理核心逻辑。你可以把它当成一张「地图」，后面学到的每个知识点都能在这张图上找到位置。

这张图把三个核心概念、为什么需要、以及和代码版本控制的区别都串起来了。你把它保存下来，后面学每个章节的时候，都可以回来对照着看。