[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-model-registry::ru":3,"gloss-cluster-model-registry::ru":26,"gloss-next-model-registry::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"model-registry","mlops","Реестр моделей (Model Registry)","Реестр моделей — это версионируемый каталог обученных и дообученных моделей: то же, что Git-репозиторий, только для артефактов моделей и их метаданных. Каждая запись хранит версию модели, данные и код, которые её породили, оценки качества и метку стадии — например, staging или production. Вместо загадочного model_final_v3.bin, лежащего на чьём-то ноутбуке, реестр становится единственным источником правды о том, какая модель работает в продакшене и как она туда попала. Для разработчиков SaaS это становится важным, когда вы начинаете дообучать собственные модели или жонглировать несколькими открытыми чекпоинтами. Реестр позволяет одним действием повысить модель до production, мгновенно откатиться при падении качества и доказать аудиторам, что именно и когда было выпущено. Популярные инструменты — MLflow Model Registry, Weights & Biases и Hugging Face Hub. Практическая заметка: всегда храните результаты оценки рядом с каждой версией, чтобы повышение было решением на основе данных, а не догадкой.","Реестр моделей — версионируемый каталог обученных моделей: каждая запись хранит породившие её данные и код, оценки качества и метку staging или production.",null,[11,14,17,20,23],{"slug":12,"name":13},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)",{"slug":15,"name":16},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":18,"name":19},"model-serving","Обслуживание модели (Model Serving)",{"slug":21,"name":22},"model-weights","Веса модели",{"slug":24,"name":25},"rollback","Откат (Rollback)",[27,31,35,38,41,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":34},"class-imbalance","Дисбаланс классов",{"slug":49,"category":5,"name":50,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":52,"category":5,"name":53,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":55,"category":5,"name":56,"updated_at":34},"data-labeling","Разметка данных",{"slug":58,"category":5,"name":59,"updated_at":44},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":61,"category":5,"name":62,"updated_at":44},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":12,"category":5,"name":13,"updated_at":44}]