视频演示
跟随一次智能体指导的优化实验，了解它如何根据观察提出调整，以及后续训练指标如何变化。
反馈驱动的神经网络优化
直接干预正在运行的训练。
Interactive Training（交互式训练）把实时训练指标与人工、AI 智能体的操作连接起来。观察训练，提交调整，再查看训练进程实际执行了什么、效果如何。
三种方式了解和体验系统
论文实验记录
对照各轮训练的配置、得分、操作，以及带入下一轮的反思。这里展示的是已完成实验的记录。
在线 CPU 实验环境
加入共享 CPU 队列，运行精简的 tiny-BERT 训练任务，尝试开放的控制项并查看执行结果。此模式不调用大语言模型。
进入演示，选择体验模式 →（演示界面为英文）
从观察训练到执行干预
控制器读取训练指标，通过控制接口提交修改请求；训练进程在继续运行的同时执行请求。优化器设置、数据处理和检查点操作由此组成一个可交互的反馈闭环。
Interactive Training 2 将这一接口扩展为通用控制协议。训练程序声明带类型的可调设置和操作，在训练循环的控制点执行请求，并按时间顺序记录请求与结果。人、脚本和语言模型智能体使用同一套接口。
例如，观察到损失突然升高时，控制器可以请求降低学习率，随后请求评估和保存检查点。提交请求与修改生效是两个不同事件：训练循环到达控制点后验证并执行请求，日志再记录执行结果。
论文与作者
Interactive Training: Feedback-Driven Neural Network Optimization
原始框架将实时监控与神经网络训练中的反馈驱动干预连接起来，并通过案例研究展示训练稳定性、对初始超参数的敏感性，以及对用户需求变化的适应能力。
Interactive Training 2: Auditable Control Plane for Live Model Training
可复用的控制协议与 Aim 工作界面，将实时指标、设置、操作及其执行记录连接起来，并在自然语言处理与强化学习的五个训练流程中展示。
方法与相关研究
人和 AI 智能体如何参与训练过程
研究指南介绍交互式训练的方法、它与训练中动态调参及训练智能体的关系，并提供原始论文和可直接使用的文献引用。