对比复盘

叠加多个 run，决定留哪一个。

选两个或更多作业，控制台会叠加它们的曲线、对比配置差异，并给出一张记分卡。 它要回答的问题不是「发生了什么」，而是「这次有没有变好，我们留哪一个」。

复盘页：叠加的曲线、记分卡，以及解释差异来源的配置 diff。

​

你会看到什么

区域	显示什么
记分卡	并排的评测分数，按每个指标声明的方向标出回退
主曲线	验证 accuracy 和训练 reward，叠加显示
配置 diff	只显示真正不同的键，五十个键的配置被压缩成你改过的那三个
Ask Agent	用自然语言问「有没有变好、该留哪个」

配置 diff 是最被低估的那一块。两个 run 曲线不一致，几乎总有某个配置键不一致， 而 diff 找到它的速度远快于对着读两份 YAML。

​

你可以做什么

• 增删 run —— 叠加图会即时更新，不用刷新。
• Ask Agent —— 对所选 run 的自然语言分析。除非部署设了 FORGE_PREMIUM_PUBLIC，否则仅管理员可用。
• 分享 —— 生成这份对比的只读链接，带过期时间。见分享。

​

诚实地读一次对比

配置完全相同，曲线却不同

随机种子。后训练在完全相同的配置之间也会有波动，有时还不小。 两个 run 不构成一个结论；如果这个差异重要，把那个变体再跑一次。

主指标更好，别的更差

这是正常结果，也是记分卡展示多个基准而不是一个数的原因。 后训练会稳定地改进一个轴，同时悄悄损伤另一个——数学、代码、知识、中文、指令遵循 这几个轴的划分就是为了让这件事可见。

reward 在涨，评测分数不动

模型是在变得更擅长你的 reward，而不是更擅长这个任务。 庆祝之前先看看验证样本：单看曲线的话，reward hacking 长得和这一模一样。