Tinker
Thinking Machines Lab · Coding · Sonstiges
Tinker ist eine Trainings-API von Thinking Machines Lab, die Sprachmodelle per LoRA feinabstimmt, einer Methode, die einen kleinen Zusatz-Adapter trainiert, statt jedes Basisgewicht neu zu schreiben. Sie schreiben einfaches Python, um Verlustfunktionen, Trainingsschleifen und Datenpipelines zu definieren, und Tinker erledigt die verteilte GPU-Arbeit im Hintergrund. Das passt zu Forschern und Entwicklern, die Kontrolle über Algorithmen und Daten wollen, ohne Cluster zu verwalten, und abgerechnet wird nach Token-Nutzung statt per Pauschalabo.
Über Tinker
Was ist Tinker
Tinker ist eine verwaltete Trainings-API für Menschen, die mit Open-Source-Modellen arbeiten oder auf ihnen aufbauen. Stellen Sie es sich als API zum Fine-Tuning von KI-Modellen vor, die Ihnen nicht im Weg steht. Sie bekommen Grundbausteine auf niedriger Ebene wie forward_backward, optim_step, sample und save_state, also entscheiden Sie, was die Trainingsschleife tut, während Tinker die Aufträge plant und die Maschinen am Laufen hält. Das Versprechen ist einfach: Behalten Sie Ihre Algorithmen und Ihre Daten, und geben Sie die Planung, das Tuning und die Zuverlässigkeit ab, jene Arbeit, die oft ein Forschungsetat frisst.
Der Dienst startete im Oktober 2025 und wurde im Dezember 2025 für alle geöffnet, ohne Warteliste. Er stammt von Thinking Machines Lab, dem Unternehmen, das Mira Murati gründete, nachdem sie OpenAI als CTO verlassen hatte, und er beruht auf der eigenen Forschung des Teams, die zeigt, dass LoRA bei guter Einrichtung die vollständige Feinabstimmung in der Lernleistung erreichen kann.
Der Haken ist der Umfang. Tinker trainiert Modelle, die bereits in seinem Katalog stehen, also trainieren Sie kein Modell von Grund auf und laden keine eigenen Gewichte. Sie zahlen außerdem pro Token, was bei kleinen Experimenten günstig ist und schnell steigt, sobald Sie einen Lauf hochskalieren. Ihre Daten bleiben Ihre. Laut Thinking Machines dienen sie nur dazu, Ihre Modelle feinabzustimmen, und niemals dazu, die eigenen zu trainieren.
Erste Schritte
- Erstellen Sie ein Konto auf der Tinker-Website und generieren Sie einen API-Schlüssel in Ihrem Dashboard.
- Wählen Sie ein Basismodell aus dem Katalog und installieren Sie den Python-Client in Ihrer Umgebung.
- Bereiten Sie Ihre Trainingsdaten als überwachte Beispiele oder als Umgebungen für bestärkendes Lernen vor.
- Rufen Sie die Grundbausteine in einer Schleife auf, um Gradienten zu berechnen, Gewichte zu aktualisieren und Ausgaben zu samplen.
- Speichern Sie Checkpoints mit
save_stateund laden Sie die Gewichte herunter, die Sie behalten wollen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Tinker.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Forscher im maschinellen Lernen
- Doktoranden und Laborteams
- Startup-Entwickler
Aufgaben
- Überwachtes Fine-Tuning
- Läufe für bestärkendes Lernen
- Vision-Sprache-Tuning
- Destillation
Szenarien
- Eine Forschungsgruppe, die mit festem Budget einen neuen Post-Training-Algorithmus testet.
- Ein Team, das ein Mathematik- oder Coding-Modell an einen internen Benchmark anpasst.
- Ein Entwickler, der ein eigenes Modell für eine einzige enge Aufgabe braucht und keinen Cluster betreiben will.
Wichtigste Funktionen
Trainings-Grundbausteine auf niedriger Ebene
Tinker gibt Ihnen vier Kernfunktionen. forward_backward führt einen Vorwärts- und Rückwärtsdurchlauf aus, der Gradienten sammelt. optim_step aktualisiert die Gewichte. sample erzeugt Token für die Bewertung oder für Aktionen im bestärkenden Lernen, und save_state speichert den Fortschritt. Diese kleine Menge deckt die meisten Post-Training-Methoden ab, und Sie setzen sie so zusammen, wie Ihr Experiment es braucht.
Austauschbare Basismodelle
Der Wechsel von einem kleinen zu einem viel größeren Modell ist eine geänderte Zeichenkette in Ihrem Python-Code, keine Neuentwicklung. Kein neues Trainingsskript. Der Katalog reicht von kompakten dichten Modellen bis zu großen Mixture-of-Experts-Systemen wie Kimi K2 Thinking und der Nemotron-3-Reihe, also können Sie günstig prototypen und später hochskalieren.
LoRA mit anpassbarem Rang
Tinker stimmt mit LoRA fein ab, das einen kompakten Adapter trainiert statt des vollen Gewichtssatzes. Die Plattform passt den Rang des Adapters zur Laufzeit an, wodurch mehrere Trainingsläufe einen GPU-Pool teilen können. Kleinere Rechnungen für dasselbe Experiment. Schnellere Iteration, wenn Sie Ideen testen.
OpenAI-kompatible Inferenz
Eine Standard-Inferenzschnittstelle spiegelt die OpenAI-API, also können Sie von einem Modell samplen, selbst während es noch trainiert. Jedes Werkzeug oder Framework, das das OpenAI-Format schon spricht, lässt sich anbinden, indem es auf einen Modellpfad zeigt, was Ihnen Klebecode erspart.
Verwaltetes verteiltes Training
Sie berühren nie GPU-Treiber oder Clustereinrichtung. Tinker organisiert das verteilte Training selbst und kümmert sich um Planung, Ressourcenzuteilung und Wiederherstellung, wenn ein Auftrag scheitert. Ihre Zeit fließt in Daten und Algorithmen. Nicht in die Pflege der Hardware.
Tinker Cookbook
Das Team liefert eine Open-Source-Bibliothek mit realitätsnahen Fine-Tuning-Beispielen, vom klassischen überwachten Lernen bis zu experimentellen Pipelines für bestärkendes Lernen. Damit sehen Sie am schnellsten, wie die Grundbausteine zusammenpassen, bevor Sie Ihre eigene Schleife schreiben.
Vor- und Nachteile
Vorteile
- Volle Kontrolle über Verlustfunktionen und Trainingsschleifen, ohne die Hardware zu besitzen.
- LoRA hält die Rechenkosten niedrig und lässt mehrere Läufe einen GPU-Pool teilen.
- Die Abrechnung pro Token bedeutet, dass Sie nur zahlen, was ein Experiment tatsächlich verbraucht.
- Der Modellwechsel ist eine Zeile, also ist das Ausprobieren eines größeren Basismodells günstig.
- Herunterladbare Checkpoints bewahren Sie davor, an die Plattform gebunden zu sein.
Nachteile
- Kein kostenloser Tarif, also können Sie den Arbeitsablauf nicht testen, bevor Sie etwas ausgeben.
- Sie können keine eigenen Gewichte laden und kein Modell von Grund auf vortrainieren, was viele eigene Architekturen ausschließt.
- Die Kosten steigen mit den Token, also kann ein langer Lauf für bestärkendes Lernen ein Budget schnell aufbrauchen.
- Die Grundbaustein-API setzt voraus, dass Sie Python schreiben und Trainingsschleifen verstehen; ein Klick-Werkzeug ist es nicht.
Häufige Fragen
Es ist eine API zum Feinabstimmen von Open-Source-Sprachmodellen. Sie liefern Daten und Code, Tinker führt das Training auf seinen GPU-Clustern aus und gibt ein Modell zurück, von dem Sie samplen oder das Sie herunterladen können.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Tinker.
Alternativen zu Tinker
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.