# IOTA Train at Home 训练历史、吞吐量与贡献率怎么看？

按日、周、月查看训练趋势，理解 epoch token 数、吞吐量、贡献率和排名，区分训练指标与记账收益。

- Canonical: https://iotahome.site/zh/learn/training-history-and-metrics
- Publisher: IOTA Watch
- Published: 2026-10-01
- Updated: 2026-10-01

打开已保存设备的详情，选择训练任务，再切换日、周或月。趋势图和表格展示所选范围内的官方历史采样。训练量不是代币到账金额，也不是未来收益预测。

## 可以对比哪些指标？

- Tokens：某个 epoch 上报的训练 token 数

- 吞吐量：官方历史接口上报的处理速率

- 累计 tokens：累计训练 token 数，与累计收益分开计算

- 贡献率：把上报的比例显示为百分比，例如 0.02 显示为 2%

- 排名与参与人数：该 epoch 上报的名次及参与人数，有数据时才展示

趋势图可切换训练量、吞吐量或累计训练量。下方表格保留每次采样，便于对照图形与具体数字。

## 为什么曲线会有空缺？

三个历史数据源可能包含不同的 epoch。本站按 epoch 对齐数据，不假定数组中的相同位置属于同一次训练。缺失的测量值保留为空缺，不补成 0。

## 为什么所选任务没有历史？

官方 API 可能尚未提供该 Miner ID 在所选任务或时间范围内的采样。请核对任务选择，切换时间范围，并查看数据源警告。历史为空不能直接证明设备故障。

当前活动看 [设备状态](https://iotahome.site/zh/learn/device-status)，记账代币看 [收益口径](https://iotahome.site/zh/learn/how-rewards-work)。[数据时效说明](https://iotahome.site/zh/learn/data-sources-and-freshness) 解释了为什么刚拉取的数据仍可能包含旧采样。

## 资料来源与本站实现

- [Macrocosmos · Train at Home](https://iota.macrocosmos.ai/)
- [Macrocosmos · TAH user guide](https://docs.macrocosmos.ai/product-and-services/tah/tah-user-guide)
- [IOTA Watch · source code](https://github.com/molimao/iota)