多模型公平比较
在同一数据切分与指标体系下训练候选模型，自动汇总性能、稳定性和训练成本。
MACHINE LEARNING · WINDOWS
把机器学习变成一条清晰的科研证据链
从数据检查、多模型训练到外部验证、真实预测与出版级导出。无需编写代码，也保留专家需要的高级参数与源代码。
本地计算签名安装包外部验证与真实预测
从数据到结论，一套桌面工作室完成
同一套实验契约贯穿配置、计算、评价与交付，让每一步都能继续、复查和复现。
诊断与可解释性
从误差、校准、特征贡献到稳健性验证，输出适合论文与报告的图表和表格。
可复现分析资产
保存实验配置、数据摘要和结果清单，减少手工拼接流程造成的遗漏。
插件化方法目录
22 类方法家族统一注册、统一运行，不需要为每个模型学习一套独立操作。
覆盖经典统计到前沿智能建模
统一的数据契约、评价指标与结果布局，让不同方法真正可比较。
- 01分类模型
- 02回归模型
- 03树与集成学习
- 04不平衡与罕见事件
- 05生存分析
- 06时间序列
- 07深度学习
- 08因果推断
- 09正则化与特征选择
- 10聚类
- 11降维
- 12异常检测
- 13计算机视觉
- 14NLP 与文本
- 15多模态融合
- 16图神经网络
- 17空间与时空建模
- 18贝叶斯与概率模型
- 19强化学习
- 20迁移与联邦学习
- 21AutoML 与模型集成
- 22金融量化
四步完成研究级工作流
推荐配置帮助快速开始，高级设置则完整保留参数调节空间。
- 01
导入数据
选择 CSV 与目标变量，应用会先检查字段类型、缺失值和任务类型。
- 02
配置实验
使用推荐配置或手动选择模型、交叉验证、指标和随机种子。
- 03
本地运行
计算 Worker 在本机执行训练，界面只负责发起任务并展示进度。
- 04
比较与导出
查看模型排名、诊断图与解释结果，导出可追溯的分析材料。
LOCAL FIRST
本地计算，隐私边界清晰
分析计算由独立 Python Worker 在 Windows 电脑执行。界面不直接运行模型，原始科研数据无需为了训练而上传公共云端。
- 本地优先的项目存储
- 任务进程与桌面界面隔离
- 文件化进度与结果交接
- AI 与手动配置使用同一 PipelineSpec
选择机器学习单模块或全模块方案
价格、周期与赠送 Token 实时读取 Billing API，支付完成后以服务端会员状态为准。
正在核验权益
正在读取登录与会员状态…
正在加载公开套餐…
SYSTEM REQUIREMENTS
为本地建模准备好电脑
- 操作系统
- Windows 10/11 64 位
- 内存
- 建议 8 GB 以上
- 处理器
- x64，建议 4 核以上
- 磁盘
- 至少 2 GB 可用空间
SIGNED RELEASE
数字签名与发布信息
- 版本 / 平台
- 1.0.0 · Windows x64
- 安装包大小
- 约 307 MB
- 发布 SHA-256 短摘要
- 8F9D86836F06…E6294
安装前可查看 Windows 数字签名；完整校验摘要随正式发布清单提供。
常见问题
关于使用门槛、数据边界和下载权益的直接说明。
不会编程也能使用吗？
可以。产品以可视化流程组织导入、配置、训练和结果查看，同时保留专家需要的关键参数。
我的原始数据会上传吗？
模型训练在本地 Worker 中运行。涉及账户、支付和会员鉴权的信息由平台服务处理，原始训练数据无需为计算而上传公共云。
单模块和全模块有什么区别？
单模块仅覆盖机器学习产品；全模块方案覆盖其 module_codes 中包含的全部平台模块，具体范围以 Billing API 返回为准。
如何获得安装包？
登录并拥有有效机器学习或全模块权益后，页面才会显示受保护的 Windows 下载按钮；管理员账号也可按权限下载。