Thinking Machines首款产品Tinker来袭，助开发者轻松搞定大模型后训练难题

OpenAI前首席技术官米拉·穆拉蒂（Mira Murati）创立的初创公司Thinking Machines，近日正式推出首款AI工具Tinker。这款专为语言模型开发者设计的API，旨在简化模型微调流程，让研究人员能更专注于算法与数据优化，而无需处理底层基础设施的复杂管理。

该工具支持包括Qwen-235B-A22B在内的前沿模型，并采用LoRA（低秩适应）技术实现计算资源共享。此前发布的博客中，Thinking Machines详细阐述了LoRA在多任务训练中的成本优化效果——通过复用同一计算池，显著降低跨任务训练的硬件开销。

为降低技术门槛，团队同步开源了Tinker Cookbook库。这个代码库收录了伊利诺伊大学香槟分校团队开发的Search-R1工具，该工具通过"边推理边搜索"机制提升模型决策能力。开发者可基于库中提供的现代实现模板，快速构建自定义训练流程。

实际应用案例显示，Tinker已获得学术界广泛认可。普林斯顿大学Goedel团队利用其训练数学定理证明器，仅用20%数据量即达到全参数微调模型的性能，在MiniF2F基准测试中取得90.4%的准确率；斯坦福大学Rotskoff化学小组通过强化学习，将LLaMA 70B模型的化学公式转换准确率从15%提升至50%；加州大学伯克利分校SkyRL团队则借助其异步训练框架，实现了多智能体协作的强化学习实验。

参与测试的Anyscale公司CEO罗伯特·西西哈拉（Robert Nishihara）指出，Tinker在抽象化分布式训练细节的同时，仍保持了对数据和算法的完全控制权。伯克利博士生泰勒·格里格斯（Tyler Griggs）则强调其灵活性："传统RL微调服务限制训练逻辑修改，而Tinker让研究者只需关注环境建模和算法设计。"

目前该工具处于内部测试阶段，已开放等待名单申请。Thinking Machines承诺初期提供免费服务，后续将推出基于使用量的定价模式。穆拉蒂表示，此举旨在打破前沿AI研究的封闭趋势："当学术界与产业界的差距持续扩大时，我们需要让更多创新者获得调整尖端模型的能力。"

免责声明：本文内容来源于第三方或整理自互联网，本站仅提供展示，不拥有所有权，不代表本站观点立场，也不构成任何其他建议，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容， 请及时联系我们进行处理。