AI Models

小模型,每个只学好一件事。

Rollie 与 Vision 背后小模型的控制台:模型库、版本、教学与评测验证——平台在跑的每个模型,一处管理。

AI 模型黏土风示意图:节点网络球体与立方体模型块环绕,神经脉络光点点缀AI 模型黏土风示意图:节点网络球体与立方体模型块环绕,神经脉络光点点缀

产品介绍

Docklify AI Models 是 Rollie 与 Vision 背后小模型的控制台:模型库、版本、教学与评测验证——平台在跑的每个模型,一处管理。Docklify 不从零训练巨型模型,它教的是单场景小模型,每个只把一件事做好:看懂打包台、回答仓库问题、发现安全隐患。在这里用你自己的例子教一次模型,用到它的每个应用都变聪明——Rollie 用它说话,Vision 用它看图,用量台账则告诉你每个模型花了多少。每个模型都带着它的负责人、历史与成本,平台永远不会跑一个没人记得批准过的模型。

用途与基本信息

目标用户:给管模型的人:让 Rollie 和 Vision 保持好用的管理员与运营者,也想把每个模型、每项校验、每笔用量都看清楚。

AI 管理员与运营者

让 Rollie 与 Vision 保持好用的人:一本台账看清每个模型、它的版本、校验与用量——以及哪一个正在走偏。

用 Vision 校验的仓库团队

摄像头盯着干活的打包台、场院与月台:这些校验背后的检测模型在这里教学与验证,不在黑盒子里。

客服与 Agent Crew 训练者

教 Agent 回答客户的团队:教 Agent 的教学通道与视觉教学通道并排,同样的版本与验证纪律。

盯着 AI 花销的平台运营

AI 花销是真金白银:按功能分的用量、按人的预算与平台配额主闸,让账单在变成意外之前就看得见。账单在月底之前就看得见,而不是落下来之后才看到。

核心流程

  1. 从模型库选模型
  2. 用你的例子教它
  3. 看校验策略
  4. 按功能看用量

主要特点

黏土插图:一架小图书馆,贴着标签的模型盒排成一排,一个发光的盒子正被取出来黏土插图:一架小图书馆,贴着标签的模型盒排成一排,一个发光的盒子正被取出来

模型库与版本

平台在跑的每个小模型都住在一本台账里:它是干什么的、哪个版本正在跑、之前有哪些版本、哪些应用在用它。新版本永远不会悄悄替换旧版本——版本是显式的,新版本在真实世界里表现更差时可以回滚,团队永远知道是哪个版本回答了哪个问题、校验了哪次打包。模型库是模型存在的唯一地方:没有散落在表格里的副本,没有两个团队重复教同一件事。退役版本在库里仍可查,模型换代之后,旧答案依然能解释清楚。

黏土插图:一位老师模样的人物给小机器人看示例卡,一张标对、一张标错黏土插图:一位老师模样的人物给小机器人看示例卡,一张标对、一张标错

用你自己的例子教学

模型学的是你的场景,不是别人教科书里的场景。拿你自己现场的例子给它看——打对了的包、打错了的包、让客户满意的回答——纠它的答案,直到它表现得像你的团队。教学通道有两条,刻意分开:视觉教学教检测模型看摄像头看到的东西,Agent 教学教与客户对话的 Agent。各通道各教各的模型,打包的例子永远不会漏进客户回复,聊天的纠正也永远不会改变摄像头要找的东西。

黏土插图:打包台摄像头把箱内物品与清单做比较,上方浮着一个小勾黏土插图:打包台摄像头把箱内物品与清单做比较,上方浮着一个小勾

看得懂的校验策略

AI 校验不是魔法,这一页就直白地讲清楚:每项校验怎么跑,用谁都能看懂的话写出来。比如打包校验,是把摄像头在台面上看到的与订单上说箱里该有的东西做比较——而校验本身发生在打包台,不在这里。这一页是只读的:管理员能看到策略、它产生的证据与背后的模型,但碰不到正在跑的校验。校验错了,修法是教学,不是一个藏起来的开关。一项校验总以同一种方式失败,是重新教学模型的信号,不是放低标准的理由。

黏土插图:一本打开的台账,旁边小 Token 计数器与 Credit 硬币摞在模型卡边黏土插图:一本打开的台账,旁边小 Token 计数器与 Credit 硬币摞在模型卡边

按功能计的用量台账

本月 AI 用量,按功能列进一本账:哪些模型跑了、用了多少 Token、折算成 Credit 是多少——Credit 是租户唯一可见的单位。一次完整问答计 1 点、一次自动任务运行计 1 点、一次 Agent 运行计 5 点;每次运行都落进 runs 表并附上它的 Token 数,任何一笔收费都能追溯到造成它的那次运行。租户看到的是 Credit,平台把 Token 成本账记在自己一边,两本账永远不会混成一个让人糊涂的数字。失败的运行不计 Credit,只有成功才计费。

黏土插图:一块小交换台,把几座供应商塔的发光线路路由到一栋仓库黏土插图:一块小交换台,把几座供应商塔的发光线路路由到一栋仓库

AI 路由与故障转移

一个路由器站在各应用与模型供应商之间,没有哪个功能与某一家供应商绑死。某家供应商变慢或宕机时,路由器故障转移到下一家,用户看到的是答案,而不是报错页。新模型按一份有文档的流程加入——注册模型、写明它的场景、设定上限——加一家供应商是一张清单,不是一个项目。场景模型各有自己的目录条目,路由器把每次调用的成本记在账上,用量台账因此才诚实。路由器永远不会向租户展示 Token 数字。

黏土插图:一个说话的小机器人与一只摄像头眼睛并排,两者都用发光线连到同一个模型盒黏土插图:一个说话的小机器人与一只摄像头眼睛并排,两者都用发光线连到同一个模型盒

一个模型,两种感官:Rollie 与 Vision

Rollie 说话、Vision 看图,用的模型都在这里管——在这里教一次,两边都变聪明。校验台面上箱子的打包模型,与回答主管关于这次打包提问的模型是同一类模型,因为两者都用同一套模型库、同一批版本、同一套教学。模型一改进,改进同时到达每个应用;模型一退役,它在各处一起退役,而不是留在没人看的角落里继续跑。一个模型,管理一次,服务整个平台。共享的模型库也是共享的记忆:一个应用从模型身上学到的东西,每个应用都继承。

黏土插图:模型盒小花园外一道小篱笆,门口一块人脸形状的牌子被画了叉黏土插图:模型盒小花园外一道小篱笆,门口一块人脸形状的牌子被画了叉

只做小模型——界限分明

规矩写在墙上:只做单场景小模型。不从零训练大参数模型,永远不做人脸识别模型。看打包台的模型看的是箱子,不是人;回答问题的模型答的是本平台自己的数据、在拥有它的租户之内。界限不是设计稿里的一条脚注:它在模型注册处就被强制执行,违反规则的模型根本加不进来。客户问 AI 做什么——以及永远不做什么——这一页就给出直截了当的回答。

基本盘

模型库

每个小模型和它的版本,一本台账。

教学

给例子、纠答案——模型学你的场景。

校验策略

每项 AI 校验怎么跑,用大白话写清——这里只读。

用量

本月 AI 用量,按功能列——用了多少 Token,一本账看清。

模型包

带版本的模型包,把模型从教学带到上线使用。

评测运行

版本上线前,先拿留出的例子考它一轮。

配额与预算

按人计的 Credit 预算与平台配额主闸,都按 Credit 算。

审计留痕

谁教过、纠过、发版或退役过模型——都有记录。

生态支持

Rollie:这些模型的声音

AI Rollie 用这里管理的模型回答仓库问题:同一套模型库、同一批版本、同一套教学——模型在这里被纠正一次,Rollie 的回答在各处同时变好。

Vision:这些模型的眼睛

Vision 用在这里教学的检测模型看着打包台、场院与月台:摄像头看、模型判,校验结果带着证据落在打包台上。

Agent Crew:同一张教学台上教出的 Agent

回答客户的 Agent 经由视觉通道旁边的 Agent 教学通道训练出来:一张教学台、两种模型、同样的版本与验证纪律——以及同一本用量台账为每次运行计费。

和其他应用的关系:Rollie 说话、Vision 看图,用的模型都在这里管——在这里教一次,两边都变聪明。

准备好让它干活了吗?

看看其他应用