Arkor
Arkor (arkorlab) · Programmation
Arkor est un framework TypeScript pensé pour les agents, doublé d'un environnement managé pour le fine-tuning de modèles à poids ouverts. Vous décrivez le modèle voulu à un agent de code, relisez le code d'entraînement généré, lancez la tâche sur des GPU managés, puis servez le résultat derrière un endpoint compatible OpenAI. Il vise les développeurs TypeScript et Node qui veulent que le fine-tuning, l'évaluation et la mise à disposition vivent dans le même code que le produit qu'ils livrent.
À propos de Arkor
Qu'est-ce qu'Arkor
Arkor est un framework et un environnement managé pour construire des modèles personnalisés à poids ouverts sans quitter TypeScript. L'idée est simple : livrez le modèle comme vous livrez votre application. Vous écrivez des configurations typées. Vous gardez le code d'entraînement dans votre dépôt. Vous suivez les exécutions depuis une interface web locale appelée Studio. Et le déploiement du modèle se fait sur les GPU managés d'Arkor, pas sur votre portable.
Le problème qu'il résout, c'est la fragmentation du flux de travail. Presque toutes les voies du fine-tuning vous poussent vers des notebooks Python, des fichiers de configuration séparés et des tableaux de bord qui vivent en dehors de votre produit. Arkor garde l'entraîneur, l'étape d'évaluation et l'endpoint dans un seul projet. Le même éditeur. Les mêmes types. Le même flux de relecture de code. Et si vous pouviez tout garder dans le dépôt depuis lequel votre équipe livre déjà ?
La principale limite, c'est la maturité. Arkor est en alpha, et l'équipe prévient que les API changent sans préavis. Les tarifs ne sont pas publiés non plus. C'est donc un outil à tester sur un projet annexe avant de miser un pipeline de production dessus.
Pour commencer
- Créez un projet avec
pnpm create arkor my-arkor-appet choisissez l'un des modèles de départ. - Lancez
pnpm dev, qui ouvre Studio, une interface web locale sur http://localhost:4000. Le premier lancement crée un espace de travail anonyme jetable, donc aucune inscription n'est nécessaire. - Dites à votre agent de code quel modèle construire. Il prépare un jeu de données, écrit l'entraîneur TypeScript et ajoute l'évaluation dans votre dépôt.
- Relisez le code d'entraînement généré, puis cliquez sur Run Training dans Studio et suivez la progression.
- Connectez-vous plus tard avec
arkor login --oauthpour rattacher le travail à votre compte et déployer l'adaptateur obtenu.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de Arkor.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Les développeurs TypeScript et Node qui veulent que le fine-tuning reste dans le même dépôt que leur application, et qui sont à l'aise pour relire le code d'entraînement généré avant de l'exécuter.
- Les petites équipes produit qui livrent une fonctionnalité d'IA nécessitant un modèle personnalisé plutôt qu'une API louée, avec la réserve qu'un logiciel en alpha convient surtout à des pilotes pour l'instant.
Tâches
- Tri du support
- Traduction
- Masquage des données personnelles
- Servir un endpoint maison
Cas d'usage
- Vous avez déjà du trafic de production stocké sous forme d'exécutions et vous voulez en faire un jeu de données d'entraînement honnête.
- Vous voulez vérifier un modèle en cours d'exécution au lieu d'attendre la fin de la tâche.
- Vous prototypiez un modèle embarqué et il vous faut une base plus petite et moins chère pour démarrer.
Fonctionnalités clés
Fine-tuning en un fichier avec des configurations typées
Le fine-tuning d'un LLM à poids ouverts se fait depuis un seul fichier. Un appel createTrainer({ model, dataset, lora, ... }) exécute l'entraînement LoRA sur le modèle de base que vous ciblez. Comme la configuration est typée, votre éditeur repère les erreurs avant qu'une facture de GPU n'arrive.
Flux de travail avec agent de code
Arkor est construit autour du fait de confier le travail à un agent de code comme Claude Code ou Codex. Vous décrivez le modèle en langage courant, et l'agent prépare le jeu de données, écrit l'entraîneur et ajoute l'évaluation dans votre dépôt. Vous relisez chaque changement avant l'entraînement, ce qui garde un humain dans la boucle.
Studio local pour la boucle de développement
Lancer pnpm dev ouvre Studio, une interface web locale sur localhost:4000. Vous relisez l'entraîneur détecté, cliquez sur Run Training et suivez la progression depuis là. C'est la surface de contrôle de l'exécution, tandis que le calcul reste dans le cloud.
Un entraînement que vous suivez depuis le code
Les callbacks de cycle de vie comme onStarted, onLog, onCheckpoint, onCompleted et onFailed se déclenchent à mesure que l'exécution arrive du cloud, entièrement typés. Dans onCheckpoint, vous pouvez appeler infer({ messages }) pour vérifier le modèle avant même la fin de l'exécution. Pourquoi rafraîchir un tableau de bord quand l'exécution peut rendre compte à votre code ? C'est une vraie différence.
Endpoint hébergé compatible OpenAI
Un déploiement vous donne un endpoint Gemma 4 sur votre-nom.arkor.app avec des clés d'API par déploiement que vous pouvez révoquer. Remplacez-le là où votre application appelle un modèle aujourd'hui, puisque l'interface correspond à l'API OpenAI.
Le trafic devient données d'entraînement
Les requêtes et les réponses sont stockées sous forme d'exécutions que vous pouvez rejouer, inspecter et transformer en jeu de données. Autrement dit, votre trafic de production, déjà filtré par de vrais utilisateurs, devient le prochain jeu d'entraînement.
GPU managés et retour arrière
Les exécutions d'entraînement se déroulent comme des tâches GPU managées, renvoient les métriques à votre code et stockent chaque point de contrôle. Les poids ne changent que lorsque vous lancez un fine-tuning, et chaque changement est un point de contrôle que vous pouvez inspecter, servir ou annuler.
Avantages et inconvénients
Avantages
- Garde le fine-tuning, l'évaluation et la mise à disposition dans une seule base de code TypeScript, ce qui évite de jongler entre des notebooks Python et un tableau de bord séparé.
- Des configurations typées et un code d'entraînement généré que vous relisez avant de dépenser en calcul.
- Les GPU managés suppriment entièrement l'étape de mise en place du matériel.
- Un endpoint compatible OpenAI signifie que vous pouvez adopter Arkor sans réécrire les appels au modèle de votre application.
- Chaque exécution produit des points de contrôle que vous pouvez inspecter ou annuler, donc les changements ne sont pas à sens unique.
Inconvénients
- C'est un logiciel en alpha, et l'équipe prévient que les API peuvent changer sans préavis, ce qui le rend risqué pour un pipeline de production.
- Les tarifs ne sont pas encore publiés, donc impossible de budgéter le coût au-delà de la période alpha gratuite actuelle.
- La valeur réelle dépend de l'association avec un agent de code comme Claude Code ou Codex, donc la mise en place est plus lourde que celle d'un service de fine-tuning en un clic.
- Les modèles de départ utilisent tous le même petit modèle de base Gemma 4, donc tester une gamme plus large de modèles à poids ouverts demande plus de travail manuel.
Questions fréquentes
Arkor sert à faire le fine-tuning et le déploiement de modèles de langage personnalisés à poids ouverts depuis un projet TypeScript. Vous décrivez le modèle à un agent de code, relisez le code d'entraînement généré, lancez l'entraînement sur des GPU managés et servez le résultat derrière un endpoint compatible OpenAI.
Contenus associés
Découvrez des outils, des compétences et des articles liés à Arkor.
Alternatives à Arkor
Forefront
Forefront · ProgrammationForefront est une plateforme web pour construire avec de l'IA open source. Elle vous laisse affiner les principaux modèles de langage open source sur vos propres données, évaluer leurs performances et les exécuter via une API ou les exporter pour les héberger vous-même. Les développeurs qui veulent le confort d'une plateforme fermée mais tiennent à rester propriétaires de leurs modèles et de leurs données sont le public visé ici.
Startkit
StartKit.AI · ProgrammationStartkit est un boilerplate pour créer des produits SaaS d'IA et des wrappers d'IA. Voyez-le comme un boilerplate de startup IA avec les parties ennuyeuses déjà branchées : authentification, paiements Stripe et Lemon Squeezy, limites d'usage, e-mail transactionnel et un kit de démarrage d'API IA qui parle à OpenAI, Anthropic, Groq ou Llama. Vous clonez le dépôt, fixez votre prix et attaquez la partie du produit pour laquelle les gens paient vraiment. Il repose sur Next.js au-dessus de React et Tailwind, donc une bonne partie du code boilerplate vous semble déjà familière.
Testim
Tricentis · ProgrammationTestim est une plateforme d'automatisation des tests dopée à l'IA, qui sert à créer et exécuter des tests de bout en bout sur des applications web, mobiles et Salesforce. Elle s'appuie sur l'apprentissage automatique pour garder les tests stables quand une interface change, alors les équipes passent moins de temps à réparer des sélecteurs cassés. Pas mal pour un outil de tests automatisés que vous pouvez utiliser dès aujourd'hui. Vous créez des tests en enregistrant des actions dans un navigateur, puis vous ajoutez du JavaScript quand vous avez besoin de plus de contrôle. C'est un choix solide pour une équipe QA bien occupée.