可复现研究
回到实验，而不是重新配置环境。
启动已经维护好的 GPU 环境，项目存储和访问入口随之就绪。当环境验证可用后，将它保存为镜像，让协作者和未来的任务都从同一状态开始。
让结果保留上下文。
代码、依赖、数据挂载和算力历史始终与研究工作相连，不再散落在安装笔记和聊天记录里。
为学术研究团队而建
SciFlow
面向 AI 驱动科学的基础设施。
启动可复现的 GPU 环境、扩展训练、对比实验结果，并与理解基础设施的智能体共同工作。
适用于运行私有或本地 GPU 集群的实验室。
研究循环
把 GPU 时间用在实验上，而不是基础设施上。
从探索到证据，始终将环境、训练任务、实验结果与智能体上下文连接在一起。
规模化实验
扩展训练，而不必成为集群运维人员。
描述工作负载，选择保障或可回收容量，并从准入到完成跟踪每个 rank。SciFlow 让共享 GPU 成为可预测的研究仪器。
等待也有明确原因。
研究者无需追问平台团队或阅读 Kubernetes 事件，也能看到任务为何等待、占用了哪些资源，以及失败发生在哪里。
实验追踪
对比实验结果，追溯运行来源。
将损失、准确率等实验指标与运行配置保存在一起。在 SciFlow 中对比多次运行，并从结果追溯到对应的实例、作业或分布式训练任务。
无需配置，即可开始记录。
在 SciFlow 工作负载中使用受支持的 wandb 日志接口或 Hugging Face 集成，无需安装追踪包，也无需管理 API 密钥。
研究智能体
提出目标，同时保留对行动的控制。
内置智能体能够看到你的工作空间和实时 SciFlow API。它可以检查任务、结合项目上下文推理、生成可视化产物，并在你的权限范围内执行基础设施操作。
辅助始终受策略约束。
API 访问受用户与组织权限约束。写操作遵循所选审批策略：暂停等待审查，或自动执行。两种模式都受平台授权控制。
科研运行管理
知道实验发生了什么，也知道实验室接下来还能运行什么。
SciFlow 把实验信号与共享算力策略放在同一上下文中，让研究者能够独立排查问题，并根据真实容量安排下一步工作。
01观察运行状态
在实验上下文中查看利用率、Rank 健康、日志、事件、调度状态与费用。
02解释等待原因
看清任务是在运行、创建还是排队，以及是哪项资源或策略影响了调度。
03规划下一次启动
在占用稀缺 GPU 之前，先了解可用配额与本次请求的影响。
工作负载可观测性
趁实验上下文仍然清晰，及时定位运行问题。
从快速检查工作空间到多节点训练，工作负载遥测、Rank 状态、筛选日志、调度历史、Kubernetes 事件与使用费用始终关联在同一个研究对象上。
这将如何帮助研究者
- 在长时间占用算力被浪费前，发现 GPU 空闲、显存压力或异常 Rank。
- 从失败结果直接进入相关日志和平台事件，无需在另一套工具中重新还原任务。
- 让运行时间线与实验保留在一起，使协作交接与回顾分析更容易。
共享的学术基础设施
让每个实验室自由研究，同时不失去对集群的控制。
研究者运行自己的工作，实验室管理员管理访问和预算，平台团队继续控制策略与 GPU 资源。
- 平台管理员
- 负责租户、集成、GPU 库存、平台设置、价格和运维日志。
- 组织管理员
- 管理成员、邀请、组织 GPU 配额、成员限制和组织存储策略。
- 组织成员
- 启动模板，运行实例和任务，挂载存储，保存镜像并查看用量。
组织 + 成员 GPU 配额1/8 GPU 粒度CPU · 内存 · 存储
透明配额
让公平访问清晰可见，不再靠群聊协调 GPU。
SciFlow 把实验室策略变成研究者可以据此行动的信息：按 GPU 类型划分的保障与共享容量、成员级限制、分数 GPU，以及 CPU、内存和存储边界。
这将如何帮助实验室
- 研究者在启动前即可看到可用额度和本次请求对配额的影响。
- 组织与成员规则让稀缺容量在不同项目之间可预测，而不必临时协商。
- 容量紧张时，透明的排队行为会保留请求，也不会隐藏等待原因。
我们的方向
研究智能体不应只会谈论科学。
要真正参与科研，智能体需要在治理边界内访问算力、文件、遥测和实验状态。SciFlow 正在构建这一操作层。
今天
理解基础设施的辅助能力
智能体可以检查实验室的实时环境，结合工作空间上下文推理，并按照你的权限与所选审批策略执行平台操作。
方向
更长、受监督的研究循环
同一基础可以支持智能体协调环境、执行、监控与分析，而科学家负责设定意图并审查证据。
假设
环境
实验
证据
下一个问题
申请试用
让实验室的下一轮研究在 SciFlow 上运行。
我们正在与运行私有 GPU 集群的学术团队合作。告诉我们，基础设施在哪些环节拖慢了你的科研。