目前，公司的0个产品和0款型号的价值为854亿元人民币，他们终于推出了第一个产品！

Xin Zhiyuan编辑报告：Dinghui是如此[Xin Zhiyuan简介]进行调整的绝佳模型，不再获得某些人的专利！ Thinking Machines Lab正在推出其第一个产品“ Tinker”，这是一种旨在调整语言模型的API。这使开发人员能够完全消除基础体系结构的局限性，并使用简单的Python代码专注于算法和数据创新。 Thinking Machines Lab终于推出了其第一个产品Tinker！它是一种API，旨在调整语言模型，而不是模型或应用程序。翻译的修补剂使您几乎可以轻松地修改模型！对于研究人员和开发人员而言，Tinker诞生是为了解决核中的弱点。当我们想实验和自定义SOTA模型时，我们通常会被复杂的分布式培训基础架构所淹没。 Tinker的解决方案是专注于算法和数据，并处理不利的背景工作。不仅如此，将小型模型更改为巨人非常容易，所以您t需要在其Python代码中更改链条。该产品由旧的Openai CTO创建，实际上是一个问题。正如首席执行官Murati所说：“ Tinker提供了研究人员，该研究人员提供了一个清晰的抽象界面来创建实验和管道培训，并管理分布式培训的复杂性。它提供了创新研究的可能性，建立了可靠的性能绩效点。”作为回应，领先的首席卡帕西（Kapasi）在推特上发了推文和赞扬的修补匠，押注了过去调整模型的范式。这意味着，即使是您和您等通用用户，我也可以留在入口处并在模型级别进行干预，而不是修改一些镜头。与最常见的现有范式“数据加载和训练器LLM”相比，Kapasi具有更聪明的方法，可以使修补匠在训练后“细分”复杂性。在执行特殊任务的模型中训练较小，并在许多情况下可以取得更好或更稳定的性能，更快的推理和Lower资源消耗对于小型型号（例如2B或7B）并不容易。小修（Tinker）到达后，我们都有能力根据我们的需求和想法调整特殊模型。呢任何人都可以简单地使用非常简单的Python代码来完成“ Idea公式”，“调整”模型修补剂。它处理所有无聊的任务，例如任务编程，资源分配，灾难恢复等，作为内部组中执行的住宿服务和思维机器的培训基础架构。用户不必担心基础架构管理，并且可以迅速启动大型或小型计算机任务。 Tinker的中央功能包括提供本机Python操作，例如forward_backward和示例，使用户可以构建精细或增强学习（RL）的个性化算法。承认各种开放式重量模型，从小到大的Incuididas混合体系结构，例如QWEN-235B-A22B。基于洛拉的集成调整方法允许乘LE培训任务分享一组计算机资源，优化盈利能力。开源支持库称为Tinker Cookbook，其中包括训练后的多种方法的实现。思维机器实验室使用洛拉技术。这在多个培训任务中降低了相同的计算机资源的成本。 Tinker API提供了基本的操作原始api，例如forward_backward和示例。这可用于实施最常见的培训方法。修补剂使您可以调整任何大小的开放式重量模型，包括大型专家混合模型，例如QWEN-235B-A22B。将小型模型更改为大型模型将非常易于操作，只需更改Codeor Python上的链条即可。 Tinker当前与QWEN和CALL SERIST模型兼容。该模型可以直接调整，但是必须正确处理许多细节以获得理想的结果。因此，他们推出了一个名为Tinker Cookbook的开源库。这个IncLUDES基于API修补程序执行的代码，该代码在训练后实现了几种高级方法。目前，Tinker处于免费的私人试用阶段，并将在未来几周内推出基于价格的定价模型。如果使用Tinker，则应加入用户的白色列表。申请地址是https://form.typeform.com/to/jh2xnwig中心培训apitinker开发人员，这不是另一个拖动和求解接口或黑色现金调整服务。取而代之的是，它提供了一种基本且容易使用的API，使研究人员可以通过标准的Python代码对损失功能，训练循环和DATA工作流有很好的控制。真正的培训工作负载是在托管基础架构中的思维计算机中执行的，可以快速分布式执行并消除GPU组管理问题。莱斯特伯克大学加利福尼亚大学计算机科学博士生泰勒·格里格斯（Tyler Griggs）说：我正在写这篇文章。使用修补匠，你可以担心计算资源。它只是专注于“调整”其环境，算法和数据。普林斯顿和斯坦福大学使用它。在出版之前，几家研究实验室使用了修补匠。第一批新兵包括伯克利，普林斯顿，斯坦福和雷德伍德的研究团队。每个都将API应用于独特的模型培训问题。普林斯顿的Godel Team USA Tinker和Lora调整了用于测试eformal定理的大型语言模型，以实现与完整参数主管模型（SFT）相当的性能。在MiniF2F参考测试中，他们接受过修补匠训练的模型达到了32个88.1％的成功率，在自我纠正后达到90.4％，超过了最大的封闭代码模型。斯坦福大学的Lotzkkoflavo训练用小叮当训练化学推断的模型。在学习强化学习70B之后，将IUPAC名称转换为化学公式的精度从15％增加到50％。研究人员说在过去的情况下，如果没有强大的基础设施的支持，那么这种大小的增加将是无法想象的。伯克利的Skyrl团队执行了一个个性化的多个代理学习循环，其中包括政治中的异步培训和使用多个圆形工具，而Tinker的灵活性使得它成为可能。 Redwood Research使用Tinker在QWEN3-32B模型中具有长期上下文控制任务中的加固​​学习。研究员埃里克·冈恩（Eric Gunn）说，没有修补匠的项目就不会开始，并表示扩大多键训练是一个重要的障碍。这些案例完美地证明了Tinker的多功能性。如果它是一个很好的调整或非常实验性的增强学习组合，则提供支持，它涵盖了非常不同的领域。请参阅：https：//thinkingmachines.ai/blog/anuncia-tinker/
特殊声明：用户已收取和发布以前的内容（包括照片和视频，如果有）网络自我媒体平台。该平台仅提供信息存储服务。
注意：先前的内容（包括有照片或视频的视频）将由NetEase HA的用户加载和发布，这是一个社交媒体平台，仅提供了信息信息存储虎钳。