Tinker
Thinking Machines Lab · 코딩 · 기타
Tinker는 Thinking Machines Lab의 학습 API로, LoRA를 통해 언어 모델을 미세 조정한다. LoRA는 모든 기본 가중치를 다시 쓰는 대신 작은 추가 어댑터를 학습하는 방식이다. 손실 함수, 학습 루프, 데이터 파이프라인을 순수한 Python으로 정의하면 Tinker가 분산 GPU 작업을 뒤에서 처리한다. 알고리즘과 데이터를 직접 쥐고 싶지만 클러스터는 관리하고 싶지 않은 연구자와 개발자에게 맞으며, 고정 구독이 아니라 토큰 사용량으로 과금한다.
Tinker 소개
Tinker란
Tinker는 오픈소스 모델을 연구하거나 그 위에 무언가를 만드는 사람을 위한 관리형 학습 API다. 방해하지 않는 AI 모델 미세 조정 API라고 보면 된다. forward_backward, optim_step, sample, save_state 같은 저수준 구성 요소를 주므로 학습 루프가 무엇을 할지는 직접 정하고, 작업 스케줄링과 기계 가동 유지는 Tinker가 맡는다. 제안은 단순하다. 알고리즘과 데이터는 손에 쥐고, 연구 예산을 갉아먹기 쉬운 스케줄링과 튜닝, 신뢰성 작업은 넘긴다.
이 서비스는 2025년 10월에 출시되어 2025년 12월에 대기 명단 없이 모두에게 열렸다. Mira Murati가 OpenAI의 CTO를 그만두고 세운 Thinking Machines Lab에서 나왔고, 팀 자체 연구, 즉 LoRA를 잘 설정하면 학습 성능에서 완전한 미세 조정에 맞먹을 수 있다는 결과를 토대로 한다.
걸림돌은 범위다. Tinker는 자사 카탈로그에 이미 있는 모델만 학습하므로, 모델을 처음부터 사전 학습하거나 직접 만든 가중치를 불러올 수 없다. 게다가 토큰 단위로 과금되어 작은 실험에는 저렴하지만, 실행을 한 번 확장하면 비용이 빠르게 늘어난다. 데이터는 여전히 당신의 것이다. Thinking Machines에 따르면 데이터는 당신의 모델을 미세 조정하는 데만 쓰이고, 회사의 모델을 학습하는 데는 결코 쓰이지 않는다.
시작하기
- Tinker 사이트에서 계정을 만들고 대시보드에서 API 키를 생성한다.
- 카탈로그에서 기본 모델을 고르고 환경에 Python 클라이언트를 설치한다.
- 학습 데이터를 지도 학습 예제나 강화 학습 환경으로 준비한다.
- 루프 안에서 구성 요소를 호출해 그래디언트를 계산하고, 가중치를 갱신하고, 출력을 샘플링한다.
save_state로 체크포인트를 저장하고 남기고 싶은 가중치를 내려받는다.
제품 정보
Tinker의 요금, 지원 플랫폼, 성능을 한눈에 확인해 보세요.
추천 대상
이 도구가 가장 잘 맞는 사용자, 작업, 상황입니다.
사용자
- 머신러닝 연구자
- 대학원생과 연구실 팀
- 스타트업 엔지니어
작업
- 지도 학습 미세 조정
- 강화 학습 실행
- 비전-언어 튜닝
- 증류
활용 상황
- 정해진 예산으로 새 사후 학습 알고리즘을 시험하는 연구 그룹.
- 수학이나 코딩 모델을 사내 벤치마크에 맞게 조정하는 팀.
- 좁은 작업 하나를 위한 맞춤 모델이 필요하고 클러스터는 돌리고 싶지 않은 개발자.
주요 기능
저수준 학습 구성 요소
Tinker는 네 가지 핵심 함수를 준다. forward_backward는 그래디언트를 누적하는 순전파와 역전파를 실행한다. optim_step은 가중치를 갱신한다. sample은 평가나 강화 학습 행동을 위한 토큰을 생성하고, save_state는 진행 상황을 저장한다. 이 작은 묶음이 대부분의 사후 학습 기법을 아우르며, 실험에 맞게 직접 조립하면 된다.
교체 가능한 기본 모델
작은 모델에서 훨씬 큰 모델로 옮기는 것은 Python 코드의 문자열을 바꾸는 일이지, 다시 작성하는 일이 아니다. 새 학습 스크립트도 필요 없다. 카탈로그는 소형 밀집 모델부터 Kimi K2 Thinking과 Nemotron 3 계열 같은 대형 전문가 혼합 시스템까지 아우르므로, 저렴하게 시제품을 만들고 나중에 확장할 수 있다.
랭크를 조정할 수 있는 LoRA
Tinker는 LoRA로 미세 조정하며, 가중치 전체가 아니라 작은 어댑터를 학습한다. 플랫폼은 어댑터의 랭크를 즉석에서 조정해 여러 학습 실행이 하나의 GPU 풀을 공유하게 한다. 같은 실험에 더 작은 청구서가 나온다. 아이디어를 시험할 때 반복도 빠르다.
OpenAI 호환 추론
표준 추론 인터페이스가 OpenAI API를 그대로 따른다. 그래서 모델이 아직 학습 중이어도 샘플링할 수 있다. OpenAI 형식을 이미 지원하는 도구나 프레임워크는 모델 경로만 가리키면 연결되므로, 접착 코드를 쓸 필요가 없다.
관리형 분산 학습
GPU 드라이버나 클러스터 설정은 건드릴 일이 없다. Tinker가 분산 학습을 스스로 조율하며 스케줄링, 자원 할당, 작업 실패 시 복구를 처리한다. 당신의 시간은 데이터와 알고리즘으로 간다. 하드웨어를 살려 두는 일이 아니라.
Tinker Cookbook
팀은 고전적인 지도 학습부터 실험적인 강화 학습 파이프라인까지, 현실적인 미세 조정 예제를 담은 오픈소스 라이브러리를 제공한다. 직접 루프를 쓰기 전에 구성 요소가 어떻게 맞물리는지 보는 가장 빠른 길이다.
장단점
장점
- 하드웨어를 소유하지 않고도 손실 함수와 학습 루프를 완전히 통제한다.
- LoRA가 연산 비용을 낮게 유지하고 여러 실행이 하나의 GPU 풀을 공유하게 한다.
- 토큰 단위 과금이라 실험이 실제로 소비한 만큼만 지불한다.
- 모델 전환은 한 줄 수정이라 더 큰 기본 모델을 저렴하게 시험할 수 있다.
- 내려받을 수 있는 체크포인트 덕분에 플랫폼에 묶이지 않는다.
단점
- 무료 요금제가 없어 돈을 쓰기 전에 워크플로를 시험할 수 없다.
- 직접 만든 가중치를 불러오거나 모델을 처음부터 사전 학습할 수 없어, 많은 맞춤 아키텍처가 제외된다.
- 비용이 토큰에 따라 늘어나므로 긴 강화 학습 실행은 예산을 빠르게 태울 수 있다.
- 구성 요소 API는 Python을 쓰고 학습 루프를 이해한다고 전제한다. 클릭만으로 쓰는 도구가 아니다.
자주 묻는 질문
오픈소스 언어 모델을 미세 조정하는 API다. 데이터와 코드를 주면 Tinker가 자사 GPU 클러스터에서 학습을 돌리고, 샘플링하거나 내려받을 수 있는 모델을 돌려준다.
관련 콘텐츠
Tinker와 관련된 도구, 스킬, 아티클을 살펴보세요.
Tinker 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.