编者摘要：Gerbil SDK 面向开发者与企业，主打私有专用小模型微调，最大卖点是训练完成后模型权重完全交付用户，没有厂商锁定，一份模型产物可以同时跑在浏览器、Node 服务、服务器、手机端侧。
两大微调路线：一是 XSLM 模式，从零学习业务任务，模型体积只有几 MB；二是 Adapter（Flavor）适配器模式，复用已有通用基座，只训练 MB 级增量参数，基座只需要下载缓存一次，可以热插拔切换多个业务技能，非常适合端侧离线场景。
业务落地最大价值在于替代高成本通用大模型 API：直接读取线上 API 日志做蒸馏，不需要人工标注，在分类、信息抽取、改写、文本生成类任务上，效果对标通用大模型，调用成本下降约 50 倍，并且推理可以完全在内网 / 端侧完成，数据不出环境。 平台提供可视化训练界面，不需要机器学习团队，用户上传 CSV/JSONL，甚至只口述业务任务，平台自动生成数据集，托管 GPU 完成训练；训练结束浏览器直接对比测试效果，之后下载权重或者一键开启托管服务。
高级能力 AutoTrain 实现模型闭环自迭代：对接 Notion、Slack、Webhook 等业务数据源，持续获取真实业务样本，增量 LoRA 重训练；新版本先灰度切一部分真实流量做验证，效果提升自动全量上线，效果退化自动回滚，保存完整版本历史。
Swarm 集群能力支持一套基座加载 N 个 Adapter 适配器，32 个业务专家模型内存占用仅为完整独立模型的 1/25，非常适合多业务场景。
商业模式区别于传统 API 租赁：Demo 免费体验；Train&Own 一次性付费（99 美元起）获得模型所有权；托管按月订阅；AutoTrain 自动迭代 499 美元 / 月起。同时支持企业私有化、SLA、SOC2/HIPAA 合规等定制需求。
10 个关键问题问答
Q1：Gerbil‑SDK 核心定位是什么？
A：面向企业 / 开发者的专用小模型微调平台，核心差异：训练产出的模型权重完全归用户，无厂商锁定；一份模型构件可跨浏览器、Node、服务端、端侧设备到处运行；支持完整训练、Adapter 增量微调、自动持续迭代。
Q2：XSLM 和 Adapter (Flavor) 两种模式怎么选？
A：
- XSLM
模型只学你的业务任务，体积仅数 MB；适合任务边界清晰、不需要通用世界知识，追求极致轻量端侧部署。 - Adapter(Flavor)
复用已有语言基座，只训练 MB 级增量参数；适合需要常识、开放式输入；基座缓存一次，技能包热插拔切换，支持离线。
Q3：如何做到替代高价通用大模型 API？
A：直接读取生产环境 API 日志做模型蒸馏，无需人工标注。专用小模型在目标任务效果对齐前沿大模型，调用成本约降低 50 倍；推理跑在自有硬件 / 端侧，数据不外流。示例：月开销从 $8000 降到 $499。
Q4：我真的完全拥有训练出来的模型权重吗？
A：是的。Train&Own 付费后可下载原生权重文件；不订阅 Gerbil 服务，依然可以永久运行模型，没有锁闭。托管只是可选增值服务，不是必要条件。
Q5：需要准备什么样训练数据？
A：支持上传 JSONL / CSV；也可以仅文字描述业务任务，平台自动生成数据集；还可以直接导入线上生产日志做蒸馏，省去标注。单模型入门支持最多 1000 条样本。
Q6：模型能跑在哪些环境？
A：同一原生产物，无需格式转换：浏览器、Node.js 应用、自有服务器、手机端侧设备；Adapter 模式基座 + Flavor 全部缓存后，可完全离线推理。
Q7：AutoTrain 自动训练是什么能力？
A：模型自迭代闭环。对接 Slack/Notion/GitHub/Webhook 获取新样本，增量 LoRA 重训练；新版本 10% 流量灰度验证；效果提升自动全量上线，变差自动回滚；保留全部版本历史，支持一键回退。
Q8：Swarm 模型集群价值是什么？
A：单基座 + N 个 Adapter 适配器，而不是 N 个完整独立模型。每新增一个业务专家仅增加约 4MB；32 个业务模型场景内存占用降低 25 倍；单 GPU 或浏览器同时跑多个业务能力。
Q9：价格怎么理解，付费模式？
A：不是 token 租赁模式，是「付费获取模型所有权」：
-
Demo：免费完整体验流程； -
Train&Own：$99 起，一次性付费获得模型权重； -
Host 托管：$20 / 月私有推理端点； -
AutoTrain：$499 / 月起，自动持续迭代。
企业可采购专属 SLA、VPC、SOC2/HIPAA、私有化部署。
Q10：适合哪些业务场景，不适合什么场景？
A：✅适合：工单分类、结构化抽取、文案改写、路由分流、领域翻译、结构化摘要等确定性业务任务。 ❌不适合：通用聊天、开放式创意生成这类强依赖通用大模型原生能力的场景。
附录： Gerbil SDK 产品解读
Gerbil SDK：小模型微调平台，核心定位：用自有数据训练专用小模型，权重完全归用户所有，任意环境部署运行
官网：
-
微调工具页：https://www.gerbilsdk.com/tune#tune‑tool -
文档：https://www.gerbilsdk.com/docs/tune
Train a small model on your data.Own the weights. Run it anywhere. Bring your data, or just describe the task. Get back a small specialized model, one native artifact that runs anywhere, with weights that are yours to keep.
基于你的数据训练小型模型，权重归你，随处运行。 上传自有数据，或者仅描述业务任务，即可得到一个专用小模型；产出原生模型产物，可任意部署，模型权重完全由你持有。
三大核心亮点
01 极简上手上传数据、选择基座模型、启动训练。无需机器学习专业知识；高级完整配置只需点击一次即可展开。
02 随处可运行同一套原生模型产物，支持端侧设备、Node.js、云端托管。训练完成后立刻就可以在浏览器内直接测试。
03 完全归你所有下载权重文件，永久任意运行。模型不存在任何厂商锁定。
成本优化：削减通用大模型 API 账单
你正在按 Token 付费调用通用前沿大模型，去执行单一、重复的业务任务。 把 Gerbil 对接你的生产日志，它会把线上流量蒸馏成专用小模型：效果持平、成本大幅降低，可跑在你自有硬件上，数据全程不外流。
-
直接从现有 API 调用日志做模型蒸馏，无需人工标注 -
任务效果相当，单次调用成本大约降低 50 倍 -
部署在自有基础设施或者端侧，数据不会离开你的环境 -
既可以调优微型专用模型，也可以调优参数更大的通用模型，自由选择
示例月度开销（高并发业务场景） 通用前沿大模型 API：约 8000 美元 / 月 Gerbil 专用模型：499 美元 / 月 实际开销取决于业务流量，平台会根据你的日志评估规模
实操流程：训练一个模型
启动训练任务，观察训练过程，端侧直接测试产出模型。 流程：①定义任务 → ②选择模型规模 / 基座 → ③导入数据 → ④开始训练
你要构建什么模型？两种方式把业务知识注入模型，后续训练流程基本一致。
你的业务任务是否可以完全由样例数据描述？还是模型本身就需要具备通用世界知识？
- XSLM（起价 5 美元）：完全属于你的模型
只学习你的业务任务，训练完成后所有权归你。速度快、成本低、随处运行。
-
仅学习你的业务场景 -
随处运行，手机端也可以跑 -
体积仅数 MB，权重完全归你 -
基于你的业务样例构建
- Adapter（适配器）：保留基座原有能力
给已经具备语言理解能力的大模型，学习你的业务知识。
-
自带通用语言理解能力 -
适合需要现实世界常识的任务 -
可以处理开放式输入 -
选择基座模型做业务教学
两条路径，同一套工作流：选择规模 / 基座 → 导入数据 → 训练
工作原理
你懂业务，我们搞定机器学习工程提供业务正确样例，Gerbil 负责 GPU 资源、训练过程、模型导出。团队无需招聘 ML 工程师，不用维护基础设施，直接从原始数据得到完全属于自己的模型。
流程：导入数据 → 训练更新权重 → 生成测试 → 获取所有权
- 导入数据，或者口述任务
上传 JSONL / CSV；也可以只描述任务，平台自动生成数据集。 - 训练
在托管 GPU 上对选定基座做微调，你无需接触底层基础设施，只需要监控训练进度。 - 测试
训练结束，直接在浏览器中和原始基座模型做对比对话测试。 - 获取所有权
下载原生权重，或者一键托管部署；支持浏览器、Node、自有服务器运行。
效果验证：专用小模型战胜通用大模型
调优后的小模型，在你的专属业务上效果对标前沿大模型；延迟、体积、成本大幅优化，运行在自有硬件。精度持平，响应从秒级降到毫秒级，调用零额外计费。
|
|
|
|
|
|
|
|
|---|---|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
以上为代表性示例结果，实际取决于任务与数据集
应用场景
既可以训练单一任务微型专用模型（更快、更省、端侧运行），也可以训练承载企业全部知识的中大型模型，工作流完全一致。
- 分类打标
工单路由、内容审核、记录标签。例：“我的信用卡被扣两次” → 归类账单问题 - 结构化数据抽取
杂乱文本提取干净 JSON 字段。例：发票文本 → {金额，日期，供应商} - 改写格式化
统一企业文风、固定输出格式。例：草稿 → 符合品牌规范回复 - 请求路由分级
请求分发对应队列 / 工具。例：用户请求 → {负责团队，优先级} - 领域翻译本地化
适配专业术语的本地化翻译。例：英文产品文档 → 本地化文案 - 结构化摘要
长文本输出固定可解析摘要。例：聊天记录 → {决策结果，负责人}
基座一次缓存，多技能热切换（Adapter Flavor）
微调本质是基座模型之上的小型增量参数。重型基座只需要缓存一次；不同业务能力以Flavor（技能风味）加载，仅 MB 级别，不是完整 GB 级模型。 同一套缓存基座，可以切换客服智能体、退款分类器等不同业务能力。
-
Flavor 增量包体积很小，支持 OTA 下发；基座已经存放在设备本地 -
基座 + Flavor 缓存完成后，完全离线推理，不需要网络 -
隐私保障：提示词、技能包、输出全部不会离开设备 -
一套基座搭配多套技能库，瞬间切换业务能力，不用为每个任务保存完整模型
代码示例 flavor.ts
await g.loadModel("qwen3.5‑0.8b"); // 大基座，仅缓存一次
await g.loadAdapter("hf:eyal/support‑flavor"); // MB级业务技能包
// 热切换业务能力，基座无需重复下载
await g.loadAdapter("hf:eyal/refunds‑flavor");
开发规划：适配器市场，用于分享、安装 Flavor 技能包；多 Flavor 托管，单 GPU 基于同一个基座对外提供多种业务能力。
Swarm 模型集群：多个专用模型协同运行
每训练一个业务小模型，都可以加入共享模型集群。 每个任务训练独立专用模型，全部跑在同一个基座之上，可单 GPU 运行，也可浏览器运行。新增业务能力仅增加数 MB，而非完整大模型。大量 “专家小模型” 占用的内存远小于一堆完整模型。
数据对比：1 基座 + N 适配器 VS N 个完整独立模型 N=32 个业务专家，内存占用降低 25 倍；新增每个专家约占用 4MB。 相关页面：https://www.gerbilsdk.com/mota 、https://www.gerbilsdk.com/swarm
+AutoTrain 自动持续训练
一次训练的模型会随着业务变化效果衰减。+AutoTrain 对接线上真实业务数据，模型自动迭代优化；每一轮产出同样原生模型产物，只有真实效果提升的版本才会正式上线。
自动迭代闭环
-
拉取：从业务源获取新样本 -
重训练：基于新数据做增量 LoRA 微调 -
灰度发布：10% 流量切到新版本做验证 -
版本推广：效果更好全量上线；效果变差自动回滚
-
每一轮迭代持续提升业务效果，全程无需人工操作 -
数据源连接器：GitHub、Linear、Notion、Slack、Webhook，产品运行自动产生新训练样本 -
A/B 灰度：新版本全量上线前先切部分真实流量验证 -
自动上线 / 回滚：效果提升自动推广，效果下降自动回滚，规避业务退化风险 -
版本历史：全部版本留存、支持差异对比，一键回退任意历史版本
训练频率与定价：按月、按周、按日自动迭代可选
Gerbil 核心优势
✅ 权重完全属于你：下载模型永久使用；不订阅平台也可以继续运行训练好的模型 ✅ 随处部署：一份原生产物，浏览器、Node、自有服务器、端侧设备，无需多份构建包 ✅ 无格式转换：引擎直接加载微调权重；训练完直接运行，中间没有转换步骤 ✅ 默认隐私优先：你的数据用来训练你的模型；端侧推理数据不会离开设备
价格体系：付费获得所有权，不是仅租赁使用权
演示版免费，验证可用之后再付费；一次性付费训练获得模型所有权，按需扩展。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
以上为 introductory 试行定价，正式版本可能调整。 需要专属托管、SLA 服务等级、VPC 隔离、SOC2 / HIPAA 合规、本地私有化部署，联系销售： mailto:sales@gerbilsdk.com?subject=Gerbil%20Tune%20‑%20Dedicated%2FEnterprise