Arkor
Arkor (arkorlab) · Coding
Arkor ist ein agentennatives TypeScript-Framework und eine verwaltete Laufzeitumgebung für das Fine-Tuning von Modellen mit offenen Gewichten. Du beschreibst das gewünschte Modell einem Coding-Agenten, prüfst den erzeugten Trainingscode, startest den Job auf verwalteten GPUs und stellst das Ergebnis hinter einem OpenAI-kompatiblen Endpunkt bereit. Es richtet sich an TypeScript- und Node-Entwickler, die Fine-Tuning, Evaluation und Bereitstellung im selben Code wie ihr Produkt haben wollen.
Über Arkor
Was ist Arkor
Arkor ist ein Framework plus eine verwaltete Laufzeitumgebung, um eigene Modelle mit offenen Gewichten zu bauen, ohne TypeScript zu verlassen. Der Ansatz ist einfach: Liefere das Modell genauso aus wie deine App. Du schreibst typsichere Konfigurationen. Du behältst den Trainingscode im Repository. Du verfolgst Läufe in einer lokalen Weboberfläche namens Studio. Und die Bereitstellung des Modells läuft auf den verwalteten GPUs von Arkor, nicht auf deinem Laptop.
Das Problem, das es löst, ist die Zersplitterung des Arbeitsablaufs. Fast alle Wege zum Fine-Tuning drängen dich in Python-Notebooks, getrennte Konfigurationsdateien und Dashboards außerhalb deines Produkts. Arkor hält Trainer, Evaluationsschritt und Endpunkt in einem Projekt. Derselbe Editor. Dieselben Typen. Derselbe Ablauf zur Code-Prüfung. Was wäre, wenn du das alles im Repository behalten könntest, aus dem dein Team ohnehin ausliefert?
Die größte Einschränkung ist die Reife. Arkor ist in der Alpha, und das Team sagt, dass sich APIs ohne Vorankündigung ändern. Auch Preise sind nicht veröffentlicht. Es ist also ein Werkzeug, das du an einem Nebenprojekt testest, bevor du eine Produktions-Pipeline darauf setzt.
Erste Schritte
- Erstelle ein Projekt mit
pnpm create arkor my-arkor-appund wähle eine der Startvorlagen. - Starte
pnpm dev, wodurch Studio geöffnet wird, eine lokale Weboberfläche unter http://localhost:4000. Der erste Start legt einen anonymen Wegwerf-Arbeitsbereich an, eine Anmeldung ist also nicht nötig. - Sag deinem Coding-Agenten, welches Modell entstehen soll. Er bereitet einen Datensatz vor, schreibt den Trainer in TypeScript und fügt die Evaluation in deinem Repository hinzu.
- Prüfe den erzeugten Trainingscode und klicke dann in Studio auf Run Training, um den Fortschritt zu verfolgen.
- Melde dich später mit
arkor login --oauthan, um die Arbeit deinem Konto zuzuordnen und den fertigen Adapter bereitzustellen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Arkor.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- TypeScript- und Node-Entwickler, die Fine-Tuning im selben Repository wie ihre App haben wollen, und die den erzeugten Trainingscode gern prüfen, bevor sie ihn starten.
- Kleine Produktteams, die ein KI-Feature ausliefern, das ein eigenes Modell statt einer gemieteten API braucht, mit dem Hinweis, dass Alpha-Software derzeit am besten für Piloten taugt.
Aufgaben
- Support-Triage
- Übersetzung
- Schwärzung personenbezogener Daten
- Eigener Endpunkt
Szenarien
- Du hast bereits Produktionsverkehr als Läufe gespeichert und willst daraus einen ehrlichen Trainingsdatensatz machen.
- Du willst ein Modell mitten im Lauf prüfen, statt auf das Ende des Jobs zu warten.
- Du prototypst ein Modell auf dem Gerät und brauchst eine kleinere, günstigere Basis zum Starten.
Wichtigste Funktionen
Fine-Tuning in einer Datei mit typsicheren Konfigurationen
Du stimmst ein LLM mit offenen Gewichten aus einer einzigen Datei ab. Ein Aufruf createTrainer({ model, dataset, lora, ... }) führt das LoRA-Training gegen das Basismodell aus, das du angibst. Weil die Konfiguration typisiert ist, findet dein Editor Fehler, bevor eine GPU-Rechnung auftaucht.
Arbeitsablauf mit Coding-Agenten
Arkor ist darum herum gebaut, die Arbeit an einen Coding-Agenten wie Claude Code oder Codex zu übergeben. Du beschreibst das Modell in einfacher Sprache, und der Agent bereitet den Datensatz vor, schreibt den Trainer und fügt die Evaluation in deinem Repository hinzu. Du prüfst jede Änderung vor dem Training, was einen Menschen in der Schleife hält.
Lokales Studio für die Entwicklungsschleife
pnpm dev öffnet Studio, eine lokale Weboberfläche unter localhost:4000. Du prüfst den erkannten Trainer, klickst auf Run Training und verfolgst den Fortschritt von dort. Es ist die Steueroberfläche für den Lauf, während die Rechenleistung in der Cloud bleibt.
Training, das du aus dem Code verfolgst
Lebenszyklus-Callbacks wie onStarted, onLog, onCheckpoint, onCompleted und onFailed feuern, während der Lauf aus der Cloud eintrifft, vollständig typisiert. In onCheckpoint kannst du infer({ messages }) aufrufen, um das Modell zu prüfen, bevor der Lauf überhaupt endet. Warum ein Dashboard aktualisieren, wenn der Lauf an deinen Code berichten kann? Das ist ein echter Unterschied.
OpenAI-kompatibler gehosteter Endpunkt
Ein Deployment gibt dir einen Gemma-4-Endpunkt unter dein-name.arkor.app mit API-Schlüsseln pro Deployment, die du widerrufen kannst. Tausche ihn dort ein, wo deine App heute ein Modell aufruft, denn die Schnittstelle entspricht der OpenAI-API.
Verkehr wird zu Trainingsdaten
Anfragen und Antworten werden als Läufe gespeichert, die du wiedergeben, prüfen und in einen Datensatz verwandeln kannst. Das heißt, dein Produktionsverkehr, bereits durch echte Nutzer gefiltert, wird zum nächsten Trainingssatz.
Verwaltete GPUs und Rollback
Trainingsläufe laufen als verwaltete GPU-Jobs, schicken Kennzahlen an deinen Code zurück und speichern jeden Checkpoint. Die Gewichte ändern sich nur, wenn du ein Fine-Tuning startest, und jede Änderung ist ein Checkpoint, den du prüfen, bereitstellen oder zurückrollen kannst.
Vor- und Nachteile
Vorteile
- Hält Fine-Tuning, Evaluation und Bereitstellung in einer TypeScript-Codebasis, sodass du nicht zwischen Python-Notebooks und einem separaten Dashboard jonglierst.
- Typsichere Konfigurationen und erzeugter Trainingscode, den du prüfst, bevor du in Rechenleistung investierst.
- Verwaltete GPUs nehmen den Schritt des Hardware-Aufbaus komplett ab.
- Ein OpenAI-kompatibler Endpunkt bedeutet, dass du Arkor einbauen kannst, ohne die Modellaufrufe deiner App umzuschreiben.
- Jeder Lauf erzeugt Checkpoints, die du prüfen oder zurückrollen kannst, die Änderungen sind also nicht einseitig.
Nachteile
- Es ist Alpha-Software, und das Team warnt, dass sich APIs ohne Vorankündigung ändern können, was sie für eine Produktions-Pipeline riskant macht.
- Preise sind noch nicht veröffentlicht, du kannst die Kosten also nicht über die aktuelle kostenlose Alpha-Phase hinaus planen.
- Der echte Nutzen hängt davon ab, es mit einem Coding-Agenten wie Claude Code oder Codex zu kombinieren, der Aufbau ist also schwerer als bei einem Ein-Klick-Fine-Tuning-Dienst.
- Die Startvorlagen nutzen alle dasselbe kleine Basismodell Gemma 4, eine breitere Auswahl an Modellen mit offenen Gewichten zu testen bedeutet also mehr Handarbeit.
Häufige Fragen
Arkor wird verwendet, um eigene Sprachmodelle mit offenen Gewichten aus einem TypeScript-Projekt abzustimmen und bereitzustellen. Du beschreibst das Modell einem Coding-Agenten, prüfst den erzeugten Trainingscode, startest das Training auf verwalteten GPUs und stellst das Ergebnis hinter einem OpenAI-kompatiblen Endpunkt bereit.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Arkor.
Alternativen zu Arkor
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.