Tinker
Thinking Machines Lab · Programación · Otro
Tinker es una API de entrenamiento de Thinking Machines Lab que ajusta modelos de lenguaje mediante LoRA, un método que entrena un pequeño adaptador adicional en lugar de reescribir cada peso base. Escribes Python sin más para definir funciones de pérdida, bucles de entrenamiento y canalizaciones de datos, y Tinker ejecuta el trabajo distribuido en GPU por detrás. Encaja con investigadores y desarrolladores que quieren control sobre los algoritmos y los datos sin gestionar clústeres, y cobra por uso de tokens en vez de una suscripción fija.
Acerca de Tinker
Qué es Tinker
Tinker es una API de entrenamiento gestionada pensada para quienes estudian o construyen sobre modelos de código abierto. Piénsalo como una API de ajuste fino de modelos de IA que no se interpone en tu camino. Te da primitivas de bajo nivel como forward_backward, optim_step, sample y save_state, así que tú decides qué hace el bucle de entrenamiento mientras Tinker programa los trabajos y mantiene las máquinas en marcha. La propuesta es sencilla: conserva tus algoritmos y tus datos, y delega la programación, el ajuste y la fiabilidad, ese trabajo que suele devorar un presupuesto de investigación.
El servicio se lanzó en octubre de 2025 y se abrió a todo el mundo en diciembre de 2025, sin lista de espera. Sale de Thinking Machines Lab, la empresa que Mira Murati fundó después de dejar OpenAI como su CTO, y se apoya en la propia investigación del equipo, que muestra que LoRA puede igualar el ajuste fino completo en rendimiento de aprendizaje cuando se configura bien.
El detalle está en el alcance. Tinker entrena modelos que ya existen en su catálogo, así que no preentrenas un modelo desde cero ni cargas tus propios pesos. Además pagas por token, algo barato en experimentos pequeños que se dispara rápido cuando escalas una ejecución. Tus datos siguen siendo tuyos. Según Thinking Machines, solo se usan para ajustar tus modelos y nunca para entrenar los suyos.
Cómo empezar
- Crea una cuenta en el sitio de Tinker y genera una clave de API desde tu panel.
- Elige un modelo base del catálogo e instala el cliente de Python en tu entorno.
- Prepara tus datos de entrenamiento como ejemplos supervisados o entornos de aprendizaje por refuerzo.
- Llama a las primitivas en un bucle para calcular gradientes, actualizar pesos y muestrear salidas.
- Guarda los puntos de control con
save_statey descarga los pesos que quieras conservar.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Tinker.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Investigadores de aprendizaje automático
- Estudiantes de posgrado y equipos de laboratorio
- Ingenieros de startups
Tareas
- Ajuste fino supervisado
- Ejecuciones de aprendizaje por refuerzo
- Ajuste de visión y lenguaje
- Destilación
Casos de uso
- Un grupo de investigación que prueba un nuevo algoritmo de postentrenamiento con un presupuesto fijo.
- Un equipo que adapta un modelo de matemáticas o programación a un banco de pruebas interno.
- Un desarrollador que necesita un modelo personalizado para una tarea concreta y no quiere montar un clúster.
Funciones clave
Primitivas de entrenamiento de bajo nivel
Tinker te entrega cuatro funciones centrales. forward_backward ejecuta un paso hacia delante y hacia atrás que acumula gradientes. optim_step actualiza los pesos. sample genera tokens para evaluación o acciones de aprendizaje por refuerzo, y save_state guarda el progreso. Ese conjunto pequeño cubre la mayoría de métodos de postentrenamiento, y tú los ensamblas como necesite tu experimento.
Modelos base intercambiables
Pasar de un modelo pequeño a uno mucho mayor es cambiar una cadena en tu código de Python, no reescribirlo. Sin guion de entrenamiento nuevo. El catálogo abarca desde modelos densos compactos hasta grandes sistemas de mezcla de expertos como Kimi K2 Thinking y la línea Nemotron 3, así que puedes prototipar barato y escalar después.
LoRA con rango ajustable
Tinker ajusta con LoRA, que entrena un adaptador compacto en lugar del conjunto completo de pesos. La plataforma ajusta el rango del adaptador sobre la marcha, lo que permite que varias ejecuciones de entrenamiento compartan un mismo grupo de GPU. Facturas menores para el mismo experimento. Iteración más rápida cuando pruebas ideas.
Inferencia compatible con OpenAI
Una interfaz de inferencia estándar reproduce la API de OpenAI, así que puedes muestrear de un modelo incluso mientras aún se entrena. Cualquier herramienta o marco que ya hable el formato de OpenAI se conecta apuntando a la ruta de un modelo, lo que te ahorra escribir código de pegamento.
Entrenamiento distribuido gestionado
Nunca tocas controladores de GPU ni la configuración de clústeres. Tinker orquesta el entrenamiento distribuido por sí mismo, se ocupa de la programación, de asignar recursos y de recuperarse cuando un trabajo falla. Tu tiempo va a los datos y a los algoritmos. No a mantener vivo el hardware.
Tinker Cookbook
El equipo publica una biblioteca de código abierto con ejemplos realistas de ajuste fino, desde el aprendizaje supervisado clásico hasta canalizaciones experimentales de aprendizaje por refuerzo. Es la forma más rápida de ver cómo encajan las primitivas antes de escribir tu propio bucle.
Ventajas y desventajas
Ventajas
- Control total sobre funciones de pérdida y bucles de entrenamiento sin poseer el hardware.
- LoRA mantiene bajos los costes de cómputo y permite que varias ejecuciones compartan un grupo de GPU.
- El precio por token significa que solo pagas por lo que consume un experimento.
- Cambiar de modelo es un cambio de una línea, así que probar un modelo base mayor sale barato.
- Los puntos de control descargables evitan que quedes atado a la plataforma.
Desventajas
- No hay plan gratuito, así que no puedes probar el flujo de trabajo antes de gastar nada.
- No puedes cargar tus propios pesos ni preentrenar un modelo desde cero, lo que descarta muchas arquitecturas personalizadas.
- Los costes escalan con los tokens, así que una ejecución larga de aprendizaje por refuerzo puede agotar un presupuesto rápido.
- La API de primitivas da por hecho que sabes escribir Python y entiendes los bucles de entrenamiento; no es una herramienta de clics.
Preguntas frecuentes
Es una API para ajustar modelos de lenguaje de código abierto. Tú aportas datos y código, Tinker ejecuta el entrenamiento en sus clústeres de GPU y devuelve un modelo del que puedes muestrear o que puedes descargar.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Tinker.
Alternativas a Tinker
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.