Arkor
Arkor (arkorlab) · Programación
Arkor es un framework de TypeScript pensado para agentes y un entorno gestionado para ajustar modelos de pesos abiertos. Describes el modelo que quieres a un agente de código, revisas el código de entrenamiento que genera, ejecutas el trabajo en GPU gestionadas y sirves el resultado detrás de un endpoint compatible con OpenAI. Está dirigido a desarrolladores de TypeScript y Node que quieren que el ajuste fino, la evaluación y el servicio vivan en el mismo código que su producto.
Acerca de Arkor
Qué es Arkor
Arkor es un framework más un entorno gestionado para construir modelos personalizados de pesos abiertos sin salir de TypeScript. La idea es sencilla: publica el modelo igual que publicas tu app. Escribes configuraciones con tipado seguro. Mantienes el código de entrenamiento en tu repositorio. Sigues las ejecuciones desde una interfaz web local llamada Studio. Y el despliegue del modelo ocurre en las GPU gestionadas de Arkor, no en tu portátil.
El problema que resuelve es la fragmentación del flujo de trabajo. Casi todos los caminos de ajuste fino te empujan a cuadernos de Python, archivos de configuración aparte y paneles que viven fuera de tu producto. Arkor mantiene el entrenador, el paso de evaluación y el endpoint en un solo proyecto. El mismo editor. Los mismos tipos. El mismo flujo de revisión de código. ¿Y si pudieras dejar todo eso en el repositorio desde el que ya publica tu equipo?
El mayor límite es la madurez. Arkor está en alfa, y el equipo dice que las API cambian sin aviso. Los precios tampoco están publicados. Así que es una herramienta para probar en un proyecto secundario antes de apostar una línea de producción a ella.
Cómo empezar
- Crea un proyecto con
pnpm create arkor my-arkor-appy elige una de las plantillas iniciales. - Ejecuta
pnpm dev, que abre Studio, una interfaz web local en http://localhost:4000. El primer arranque crea un espacio de trabajo anónimo desechable, así que no hace falta registrarse. - Dile a tu agente de código qué modelo construir. Prepara un conjunto de datos, escribe el entrenador en TypeScript y añade la evaluación dentro de tu repositorio.
- Revisa el código de entrenamiento generado y pulsa Run Training en Studio para seguir el progreso.
- Inicia sesión más tarde con
arkor login --oauthpara reclamar el trabajo bajo tu cuenta y desplegar el adaptador resultante.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Arkor.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Desarrolladores de TypeScript y Node que quieren que el ajuste fino viva en el mismo repositorio que su app, y que se sienten cómodos revisando el código de entrenamiento generado antes de ejecutarlo.
- Equipos de producto pequeños que lanzan una función de IA que necesita un modelo personalizado en vez de una API alquilada, con la advertencia de que el software en alfa encaja mejor en pruebas piloto ahora mismo.
Tareas
- Triaje de soporte
- Traducción
- Censura de datos personales
- Servir un endpoint propio
Casos de uso
- Ya tienes tráfico de producción guardado como ejecuciones y quieres convertirlo en un conjunto de datos de entrenamiento honesto.
- Quieres revisar un modelo a mitad de ejecución en vez de esperar a que termine el trabajo.
- Estás prototipando un modelo en el dispositivo y necesitas una base más pequeña y barata por la que empezar.
Funciones clave
Ajuste fino en un archivo con configuraciones tipadas
Ajustas un LLM de pesos abiertos desde un solo archivo. Una llamada createTrainer({ model, dataset, lora, ... }) ejecuta el entrenamiento LoRA contra el modelo base que le indiques. Como la configuración tiene tipos, tu editor detecta los errores antes de que aparezca una factura de GPU.
Flujo de trabajo con agente de código
Arkor está construido alrededor de delegar trabajo a un agente de código como Claude Code o Codex. Describes el modelo en lenguaje llano, y el agente prepara el conjunto de datos, escribe el entrenador y añade la evaluación dentro de tu repositorio. Revisas cada cambio antes de entrenar, lo que mantiene a una persona en el bucle.
Studio local para el ciclo de desarrollo
Ejecutar pnpm dev abre Studio, una interfaz web local en localhost:4000. Revisas el entrenador detectado, pulsas Run Training y sigues el progreso desde ahí. Es la superficie de control de la ejecución, mientras el cómputo se queda en la nube.
Entrenamiento que puedes seguir desde el código
Los callbacks de ciclo de vida como onStarted, onLog, onCheckpoint, onCompleted y onFailed se disparan mientras la ejecución llega desde la nube, con tipos completos. Dentro de onCheckpoint puedes llamar a infer({ messages }) para comprobar el modelo antes de que la ejecución termine. ¿Para qué refrescar un panel si la ejecución puede informar a tu código? Es una diferencia real.
Endpoint alojado compatible con OpenAI
Un despliegue te da un endpoint de Gemma 4 en tu-nombre.arkor.app con claves de API por despliegue que puedes revocar. Cámbialo donde tu app llama a un modelo hoy, porque la interfaz coincide con la API de OpenAI.
El tráfico se convierte en datos de entrenamiento
Las peticiones y las respuestas se guardan como ejecuciones que puedes reproducir, inspeccionar y convertir en un conjunto de datos. Eso significa que tu tráfico de producción, ya filtrado por usuarios reales, se convierte en el siguiente conjunto de entrenamiento.
GPU gestionadas y reversión
Las ejecuciones de entrenamiento se ejecutan como trabajos gestionados de GPU, envían métricas a tu código y guardan cada punto de control. Los pesos solo cambian cuando ejecutas un ajuste fino, y cada cambio es un punto de control que puedes inspeccionar, servir o revertir.
Ventajas y desventajas
Ventajas
- Mantiene el ajuste fino, la evaluación y el servicio en un mismo código de TypeScript, así que no saltas entre cuadernos de Python y un panel aparte.
- Configuraciones tipadas y código de entrenamiento generado que revisas antes de gastar en cómputo.
- Las GPU gestionadas eliminan del todo el paso de montar el hardware.
- Un endpoint compatible con OpenAI significa que puedes cambiar a Arkor sin reescribir las llamadas al modelo de tu app.
- Cada ejecución produce puntos de control que puedes inspeccionar o revertir, así que los cambios no son de ida sola.
Desventajas
- Es software en alfa, y el equipo avisa de que las API pueden cambiar sin aviso, lo que lo hace arriesgado para una línea de producción.
- Los precios aún no están publicados, así que no puedes presupuestar el coste más allá del actual periodo gratuito de alfa.
- El valor real depende de emparejarlo con un agente de código como Claude Code o Codex, así que la puesta en marcha pesa más que la de un servicio de ajuste fino de un clic.
- Las plantillas iniciales usan todas el mismo modelo base pequeño Gemma 4, así que probar un rango más amplio de modelos de pesos abiertos implica más trabajo manual.
Preguntas frecuentes
Arkor se usa para ajustar y desplegar modelos de lenguaje personalizados de pesos abiertos desde un proyecto de TypeScript. Describes el modelo a un agente de código, revisas el código de entrenamiento generado, ejecutas el entrenamiento en GPU gestionadas y sirves el resultado detrás de un endpoint compatible con OpenAI.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Arkor.
Alternativas a Arkor
Forefront
Forefront · ProgramaciónForefront es una plataforma web para construir con IA de código abierto. Te deja ajustar los principales modelos de lenguaje de código abierto con tus propios datos, evaluar cómo rinden y ejecutarlos a través de una API o exportarlos para alojarlos tú mismo. Los desarrolladores que quieren la comodidad de una plataforma cerrada pero insisten en ser dueños de sus modelos y sus datos son el público objetivo.
Startkit
StartKit.AI · ProgramaciónStartkit es un boilerplate para crear productos de SaaS con IA y wrappers de IA. Piénsalo como un boilerplate para startups de IA con las partes aburridas ya conectadas: autenticación, pagos con Stripe y Lemon Squeezy, límites de uso, correo transaccional y un kit de inicio de API de IA que habla con OpenAI, Anthropic, Groq o Llama. Clonas el repositorio, pones tu precio y te dedicas a la parte del producto por la que la gente paga de verdad. Está hecho con Next.js sobre React y Tailwind, así que buena parte del código boilerplate ya te resulta familiar.
Testim
Tricentis · ProgramaciónTestim es una plataforma de automatización de pruebas impulsada por IA para crear y ejecutar pruebas de extremo a extremo en aplicaciones web, móviles y Salesforce. Se apoya en el aprendizaje automático para mantener las pruebas estables cuando cambia una interfaz, así que los equipos dedican menos tiempo a reparar selectores rotos. No está nada mal para una herramienta de pruebas automatizadas que puedes empezar a usar hoy mismo. Creas pruebas grabando acciones en un navegador y luego añades JavaScript cuando necesitas más control. Es una opción sólida para equipos de QA con mucho trabajo.