Arkor
Arkor (arkorlab) · 코딩
Arkor는 에이전트를 염두에 두고 설계된 TypeScript 프레임워크이자 오픈 웨이트 모델을 파인튜닝하는 관리형 실행 환경이다. 원하는 모델을 코딩 에이전트에게 설명하고, 생성된 학습 코드를 검토하고, 관리형 GPU에서 작업을 실행한 뒤, 결과를 OpenAI 호환 엔드포인트 뒤에서 제공한다. 파인튜닝과 평가와 제공을 자신이 내놓는 제품과 같은 코드베이스에 두고 싶어 하는 TypeScript 및 Node 개발자를 겨냥한다.
Arkor 소개
Arkor란 무엇인가
Arkor는 TypeScript를 벗어나지 않고 직접 만든 오픈 웨이트 모델을 구축하기 위한 프레임워크이자 관리형 실행 환경이다. 주장은 단순하다. 앱을 내놓는 방식 그대로 모델을 내놓으라는 것이다. 타입 안전한 설정을 작성한다. 학습 코드는 자신의 저장소에 둔다. Studio라는 로컬 웹 UI에서 실행을 지켜본다. 그리고 모델 배포는 노트북이 아니라 Arkor의 관리형 GPU에서 일어난다.
이 도구가 푸는 문제는 워크플로의 분열이다. 대부분의 파인튜닝 경로는 사람을 Python 노트북과 따로 떨어진 설정 파일, 제품 바깥에 사는 대시보드로 밀어낸다. Arkor는 트레이너와 평가 단계와 엔드포인트를 한 프로젝트에 붙잡아 둔다. 같은 편집기. 같은 타입. 같은 코드 리뷰 흐름. 팀이 이미 배포하는 저장소에 이 모든 걸 담아 둘 수 있다면 어떨까.
가장 큰 한계는 성숙도다. Arkor는 알파 단계이고, 팀은 API가 예고 없이 바뀐다고 밝힌다. 가격도 공개되지 않았다. 그래서 프로덕션 파이프라인을 걸기 전에 곁다리 프로젝트에서 시험해 볼 도구다.
시작하기
pnpm create arkor my-arkor-app으로 프로젝트를 만들고 스타터 템플릿 하나를 고른다.pnpm dev를 실행하면 http://localhost:4000의 로컬 웹 UI인 Studio가 열린다. 첫 실행 시 일회용 익명 작업 공간이 만들어지므로 가입은 필요 없다.- 어떤 모델을 만들지 코딩 에이전트에게 말한다. 데이터셋을 준비하고, TypeScript 트레이너를 작성하며, 저장소 안에 평가를 추가한다.
- 생성된 학습 코드를 검토한 뒤 Studio에서 Run Training을 누르고 진행 상황을 따라간다.
- 나중에
arkor login --oauth로 로그인해 작업을 자신의 계정에 귀속시키고, 완성된 어댑터를 배포한다.
제품 정보
Arkor의 요금, 지원 플랫폼, 성능을 한눈에 확인해 보세요.
추천 대상
이 도구가 가장 잘 맞는 사용자, 작업, 상황입니다.
사용자
- 파인튜닝이 앱과 같은 저장소에 있길 원하고, 실행 전에 생성된 학습 코드를 검토하는 데 거리낌이 없는 TypeScript 및 Node 개발자.
- 임대한 API 대신 자체 모델이 필요한 AI 기능을 내놓는 소규모 제품 팀. 다만 알파 소프트웨어는 지금으로선 시범 운영에 가장 잘 맞는다는 점을 감안해야 한다.
작업
- 지원 분류
- 번역
- 개인정보 가리기
- 자체 엔드포인트 제공
활용 상황
- 이미 실행 기록으로 저장된 프로덕션 트래픽이 있고, 이를 정직한 학습 데이터셋으로 바꾸고 싶다.
- 작업이 끝나길 기다리는 대신 실행 도중에 모델을 점검하고 싶다.
- 온디바이스 모델을 시제품으로 만들고 있어, 시작할 더 작고 저렴한 기반이 필요하다.
주요 기능
타입 안전 설정으로 하는 단일 파일 파인튜닝
단일 파일에서 오픈 웨이트 LLM을 파인튜닝한다. createTrainer({ model, dataset, lora, ... }) 호출이 지정한 기반 모델에 대해 LoRA 학습을 실행한다. 설정에 타입이 있으므로 GPU 청구서가 나오기 전에 편집기가 실수를 잡는다.
코딩 에이전트 워크플로
Arkor는 Claude Code나 Codex 같은 코딩 에이전트에게 작업을 넘기는 것을 중심으로 만들어졌다. 모델을 평이한 말로 설명하면, 에이전트가 데이터셋을 준비하고, 트레이너를 작성하며, 저장소 안에 평가를 추가한다. 학습 전에 모든 변경을 검토하므로 사람이 루프 안에 남는다.
개발 루프를 위한 로컬 Studio
pnpm dev를 실행하면 Studio가 열린다. localhost:4000의 로컬 웹 UI다. 감지된 트레이너를 검토하고, Run Training을 누르고, 거기서 진행 상황을 따라간다. 실행의 조작 면은 여기 있고 연산은 클라우드에 남는다.
코드에서 지켜보는 학습
onStarted, onLog, onCheckpoint, onCompleted, onFailed 같은 수명 주기 콜백이 실행이 클라우드에서 흘러오는 동안 발동한다. 전부 타입이 붙어 있다. onCheckpoint 안에서는 infer({ messages })를 호출해 실행이 끝나기 전에 모델을 점검할 수 있다. 실행이 코드에 보고할 수 있는데 대시보드를 왜 새로고침하겠는가. 여기가 실제로 다르다.
OpenAI 호환 호스팅 엔드포인트
배포하면 내이름.arkor.app에 Gemma 4 엔드포인트가 생기고, 배포별로 폐기할 수 있는 API 키가 따라온다. 인터페이스가 OpenAI API와 맞으므로 앱이 오늘 모델을 호출하는 자리에 그대로 끼워 넣을 수 있다.
트래픽이 학습 데이터가 된다
요청과 응답은 실행으로 저장되어 재생하고 살펴보고 데이터셋으로 바꿀 수 있다. 즉, 실제 사용자로 이미 걸러진 프로덕션 트래픽이 다음 학습 세트가 된다.
관리형 GPU와 롤백
학습 실행은 관리형 GPU 작업으로 돌아가고, 지표를 코드로 되돌려보내며, 모든 체크포인트를 저장한다. 가중치는 파인튜닝을 실행할 때만 바뀌고, 그 변화는 각각 살펴보고 제공하고 롤백할 수 있는 체크포인트다.
장단점
장점
- 파인튜닝과 평가와 제공을 하나의 TypeScript 코드베이스에 두므로, Python 노트북과 별도 대시보드 사이를 오갈 필요가 없다.
- 타입 안전한 설정과, 연산에 돈을 쓰기 전에 검토하는 생성된 학습 코드.
- 관리형 GPU가 하드웨어 구축 단계를 아예 없앤다.
- OpenAI 호환 엔드포인트라 앱의 모델 호출을 다시 쓰지 않고 Arkor로 갈아끼울 수 있다.
- 실행마다 살펴보거나 롤백할 수 있는 체크포인트가 생기므로 변경이 일방통행이 아니다.
단점
- 알파 소프트웨어이고 팀이 API가 예고 없이 바뀔 수 있다고 경고하므로, 프로덕션 파이프라인에는 위험하다.
- 가격이 아직 공개되지 않아, 현재의 무료 알파 기간을 넘어 비용을 예산에 넣을 수 없다.
- 진짜 가치는 Claude Code나 Codex 같은 코딩 에이전트와 짝지을 때 나오므로, 원클릭 파인튜닝 서비스보다 설정이 무겁다.
- 스타터 템플릿이 모두 같은 소형 기반 모델 Gemma 4를 쓰므로, 더 넓은 범위의 오픈 웨이트 모델을 시험하려면 수작업이 늘어난다.
자주 묻는 질문
Arkor는 TypeScript 프로젝트에서 자체 오픈 웨이트 언어 모델을 파인튜닝하고 배포하는 데 쓴다. 모델을 코딩 에이전트에게 설명하고, 생성된 학습 코드를 검토하고, 관리형 GPU에서 학습을 돌리고, 결과를 OpenAI 호환 엔드포인트 뒤에서 제공한다.
관련 콘텐츠
Arkor와 관련된 도구, 스킬, 아티클을 살펴보세요.
Arkor 대안
Forefront
Forefront · 코딩Forefront는 오픈소스 AI로 무언가를 만드는 웹 플랫폼이다. 대표적인 오픈소스 언어 모델을 자신의 데이터로 미세 조정하고, 성능을 평가하고, API로 실행하거나 내보내 직접 호스팅할 수 있다. 폐쇄형 플랫폼의 편의를 원하면서도 모델과 데이터의 소유권은 놓지 않으려는 개발자가 대상이다.
Startkit
StartKit.AI · 코딩Startkit은 AI SaaS와 AI 래퍼 제품을 만들기 위한 보일러플레이트다. 지루한 부분을 미리 연결해 둔 AI 스타트업 보일러플레이트라고 생각하면 된다. 인증, Stripe와 Lemon Squeezy 결제, 사용량 제한, 트랜잭션 이메일, 그리고 OpenAI, Anthropic, Groq, Llama와 통신하는 AI API 스타터 키트가 포함된다. 저장소를 복제하고 가격을 정한 뒤 사용자가 실제로 돈을 내는 부분에 착수하면 된다. React와 Tailwind 위의 Next.js로 만들어졌기 때문에 보일러플레이트 코드의 상당 부분이 이미 익숙하게 느껴진다.
Testim
Tricentis · 코딩Testim은 웹, 모바일, Salesforce 애플리케이션 전반에 걸쳐 엔드투엔드 테스트를 만들고 실행하는 AI 기반 테스트 자동화 플랫폼이다. 머신러닝에 기대어 인터페이스가 바뀌어도 테스트를 안정적으로 유지하므로, 팀은 깨진 셀렉터를 고치는 데 쓰는 시간을 줄인다. 오늘부터 쓸 수 있는 자동화 테스트 도구치고 나쁘지 않다. 브라우저에서 동작을 녹화해 테스트를 만들고, 더 세밀한 제어가 필요하면 JavaScript를 더한다. 바쁜 QA 팀에게 탄탄한 선택이다.