Tinker首秀：开发者必备的大模型后训练解决方案

OpenAI前首席技术官米拉·穆拉蒂(Mira Murati)创立的人工智能初创公司Thinking Machines，近日正式发布首个AI开发工具Tinker。这款面向语言模型研究者的API产品，致力于帮助开发者摆脱底层复杂性，将更多精力投入到算法创新和数据优化之中。

作为一款跨模型开发工具，Tinker支持包括Qwen-235B-A22B在内的一线大模型。其核心技术亮点是采用了LoRA（低秩适应）资源共享方案。根据团队技术博客披露的数据，这种多任务共享计算资源的方法，可为跨模型训练节省大量硬件投入成本。

为加速AI开发者上手使用，团队同步开源了Tinker Cookbook代码资源库。其中整合了伊利诺伊大学香槟分校研发的Search-R1工具，该工具创新的"推理即搜索"机制可显著增强模型决策能力。开发者可以直接调用内置的现代实现模板，快速搭建个性化训练流程。

在实际学术应用中，Tinker已展现出令人瞩目的性能表现。普林斯顿Goedel研究团队利用该工具训练数学定理证明器，仅需常规20%的数据量就实现了全参数微调的模型性能，在MiniF2F数学基准测试中获得了90.4%的高准确率。斯坦福Rotskoff化学研究组则借助Tinker的强化学习功能，成功将LLaMA 70B模型的化学公式转换准确率从15%提升到50%。伯克利的SkyRL团队更是通过其异步训练框架，开创性地完成了多智能体协同强化学习实验。

作为早期测试用户，Anyscale公司CEO罗伯特·尼希哈拉(Robert Nishihara)特别赞赏Tinker在简化分布式训练的同时，仍完整保留了对数据和算法的控制自由度。伯克利博士生泰勒·格里格斯(Tyler Griggs)则强调了工具的高度灵活性："传统RL微调服务往往固化训练逻辑，而Tinker让我们可以完全专注于环境建模和算法设计。"

目前Tinker正处于限量内测阶段，已开放早期体验申请入口。Thinking Machines透露初期将提供免费服务，未来计划推出按量计费的商用方案。穆拉蒂在发布会上表示："在当前AI研究两极分化的环境下，我们希望通过降低技术门槛，让更多创新者能接触到最前沿的模型调优能力。"

免责声明

游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

同类文章