Comment Shell utilise Weights & Biases
Tel que publié sur wandb.ai, novembre 2025. Capturé par usedby le 8 oct. 2026.
Ce qui s’est passé
Shell's NLP research team uses Weights & Biases to log experiments, build custom dashboards, run hyperparameter sweeps, and track evaluations and user feedback while adapting large language models to its internal technical reports. The resulting models power a research assistant that acts as an institutional memory for researchers.
Résumé rédigé par usedby à partir de la page source, en anglais. Les chiffres sont ceux de Weights & Biases et de Shell, pas les nôtres.
- 26%“The DAPT + instruction-tuning models led to a 26% increase in accuracy compared to non-fine-tuned Llama models, and a 30% improvement in domain-specific understanding on Shell benchmarks.”
At the core of this scalable infrastructure is Weights & Biases, which plays critical roles in supporting experiment tracking and logging, building custom dashboards for increased visibility into training dynamics, robust hyperparameter optimization, and evaluation and feedback through both W&B Models and W&B Weave.
We built a custom dashboard using Weights & Biases for all our experiment logging, and a lot of critical hyperparameter tuning using W&B Sweeps to explore impact and sensitivity.
Ce que dit le témoignage, et ce que nous avons vérifié
Nous avons comparé le témoignage à sa page en ligne le 8 oct. 2026.
- L’extrait cité plus hautVérifiéCopié mot pour mot depuis la page, près du nom de Shell.
- La date de publicationVérifiéLue dans les métadonnées de la page, jamais devinée.
- Shell utilise Weights & BiasesVérifiéLigne de niveau Confirmé. Dernière vérification, toutes sources confondues : 8 oct. 2026.
- Le résultat lui-mêmeNon vérifiéNous le citons ; nous ne l’avons pas mesuré.
Autres témoignages
Même entreprise, même outil ou même secteur.
