Tinker
Thinking Machines Lab · Programmation · Autres
Tinker est une API d'entraînement de Thinking Machines Lab qui affine des modèles de langage via LoRA, une méthode qui entraîne un petit adaptateur ajouté plutôt que de réécrire chaque poids de base. Vous écrivez du Python simple pour définir des fonctions de perte, des boucles d'entraînement et des pipelines de données, et Tinker exécute le travail distribué sur GPU en coulisses. Il convient aux chercheurs et développeurs qui veulent garder la main sur les algorithmes et les données sans gérer de clusters, et il facture à l'usage des tokens plutôt qu'un abonnement fixe.
À propos de Tinker
Qu'est-ce que Tinker
Tinker est une API d'entraînement gérée destinée à ceux qui étudient ou construisent sur des modèles open source. Voyez-la comme une API de fine-tuning de modèles d'IA qui ne vous gêne pas. Elle fournit des primitives de bas niveau comme forward_backward, optim_step, sample et save_state, si bien que vous décidez de ce que fait la boucle d'entraînement pendant que Tinker planifie les tâches et fait tourner les machines. La promesse est simple : gardez vos algorithmes et vos données, et déléguez la planification, le réglage et la fiabilité, ce travail qui engloutit souvent un budget de recherche.
Le service est sorti en octobre 2025 et a ouvert à tout le monde en décembre 2025, sans liste d'attente. Il vient de Thinking Machines Lab, la société que Mira Murati a fondée après avoir quitté OpenAI où elle était CTO, et il s'appuie sur les recherches de l'équipe, qui montrent que LoRA peut égaler le fine-tuning complet en performance d'apprentissage lorsqu'il est bien configuré.
Le hic, c'est la portée. Tinker entraîne des modèles qui existent déjà dans son catalogue, donc vous ne pré-entraînez pas un modèle à partir de zéro et vous ne chargez pas vos propres poids. Vous payez aussi au token, ce qui est bon marché pour de petites expériences et grimpe vite dès que vous montez en charge. Vos données restent les vôtres. Selon Thinking Machines, elles servent uniquement à affiner vos modèles et jamais à entraîner les leurs.
Pour commencer
- Créez un compte sur le site de Tinker et générez une clé API depuis votre tableau de bord.
- Choisissez un modèle de base dans le catalogue et installez le client Python dans votre environnement.
- Préparez vos données d'entraînement sous forme d'exemples supervisés ou d'environnements d'apprentissage par renforcement.
- Appelez les primitives dans une boucle pour calculer les gradients, mettre à jour les poids et échantillonner des sorties.
- Sauvegardez les points de contrôle avec
save_stateet téléchargez les poids que vous voulez garder.
Informations sur le produit
Aperçu des tarifs, des plateformes compatibles et des performances de Tinker.
Idéal pour
Les utilisateurs, tâches et cas d'usage où cet outil convient le mieux.
Utilisateurs
- Chercheurs en apprentissage automatique
- Étudiants de troisième cycle et équipes de laboratoire
- Ingénieurs de startups
Tâches
- Fine-tuning supervisé
- Exécutions d'apprentissage par renforcement
- Réglage vision-langage
- Distillation
Cas d'usage
- Un groupe de recherche qui teste un nouvel algorithme de post-entraînement avec un budget fixe.
- Une équipe qui adapte un modèle de mathématiques ou de code à un benchmark interne.
- Un développeur qui a besoin d'un modèle sur mesure pour une tâche précise et ne veut pas monter un cluster.
Fonctionnalités clés
Primitives d'entraînement de bas niveau
Tinker vous remet quatre fonctions centrales. forward_backward exécute une passe avant et une passe arrière qui accumulent les gradients. optim_step met à jour les poids. sample génère des tokens pour l'évaluation ou les actions d'apprentissage par renforcement, et save_state sauvegarde la progression. Ce petit ensemble couvre la plupart des méthodes de post-entraînement, et vous les assemblez selon les besoins de votre expérience.
Modèles de base interchangeables
Passer d'un petit modèle à un modèle bien plus grand, c'est changer une chaîne dans votre code Python, pas tout réécrire. Pas de nouveau script d'entraînement. Le catalogue va des modèles denses compacts aux grands systèmes à mélange d'experts comme Kimi K2 Thinking et la gamme Nemotron 3, donc vous pouvez prototyper à moindre coût et monter en puissance ensuite.
LoRA à rang ajustable
Tinker affine avec LoRA, qui entraîne un adaptateur compact plutôt que l'ensemble complet des poids. La plateforme ajuste le rang de l'adaptateur à la volée, ce qui permet à plusieurs entraînements de partager un même vivier de GPU. Des factures plus légères pour la même expérience. Une itération plus rapide quand vous testez des idées.
Inférence compatible OpenAI
Une interface d'inférence standard reprend l'API d'OpenAI, donc vous pouvez échantillonner depuis un modèle même pendant qu'il s'entraîne encore. Tout outil ou framework qui parle déjà le format d'OpenAI se branche en pointant vers le chemin d'un modèle, ce qui vous évite d'écrire du code de liaison.
Entraînement distribué géré
Vous ne touchez jamais aux pilotes de GPU ni à la configuration des clusters. Tinker orchestre lui-même l'entraînement distribué, en gérant la planification, l'allocation des ressources et la reprise quand une tâche échoue. Votre temps va aux données et aux algorithmes. Pas à maintenir le matériel en vie.
Tinker Cookbook
L'équipe publie une bibliothèque open source d'exemples réalistes de fine-tuning, de l'apprentissage supervisé classique aux pipelines expérimentaux d'apprentissage par renforcement. C'est le moyen le plus rapide de voir comment les primitives s'articulent avant d'écrire votre propre boucle.
Avantages et inconvénients
Avantages
- Contrôle total sur les fonctions de perte et les boucles d'entraînement sans posséder le matériel.
- LoRA maintient les coûts de calcul bas et laisse plusieurs exécutions partager un vivier de GPU.
- La tarification au token signifie que vous ne payez que ce qu'une expérience consomme réellement.
- Changer de modèle tient en une ligne, donc tester un modèle de base plus grand coûte peu.
- Les points de contrôle téléchargeables vous évitent d'être enfermé dans la plateforme.
Inconvénients
- Pas d'offre gratuite, donc vous ne pouvez pas tester le flux de travail avant de dépenser quoi que ce soit.
- Vous ne pouvez pas charger vos propres poids ni pré-entraîner un modèle à partir de zéro, ce qui exclut bien des architectures sur mesure.
- Les coûts augmentent avec les tokens, donc une longue exécution d'apprentissage par renforcement peut épuiser un budget rapidement.
- L'API de primitives suppose que vous savez écrire du Python et comprenez les boucles d'entraînement ; ce n'est pas un outil à clics.
Questions fréquentes
C'est une API pour affiner des modèles de langage open source. Vous fournissez les données et le code, Tinker exécute l'entraînement sur ses clusters de GPU et renvoie un modèle que vous pouvez échantillonner ou télécharger.
Contenus associés
Découvrez des outils, des compétences et des articles liés à Tinker.
Alternatives à Tinker
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.