Tinker
Thinking Machines Lab · Programação · Outros
Tinker é uma API de treinamento da Thinking Machines Lab que ajusta modelos de linguagem por meio de LoRA, um método que treina um pequeno adaptador adicional em vez de reescrever cada peso base. Você escreve Python puro para definir funções de perda, laços de treinamento e pipelines de dados, e o Tinker executa o trabalho distribuído em GPU nos bastidores. Serve para pesquisadores e desenvolvedores que querem controle sobre algoritmos e dados sem gerenciar clusters, e cobra por uso de tokens em vez de uma assinatura fixa.
Sobre Tinker
O que é o Tinker
O Tinker é uma API de treinamento gerenciada voltada a quem estuda ou constrói sobre modelos de código aberto. Pense nele como uma API de ajuste fino de modelos de IA que não atrapalha. Ele entrega primitivas de baixo nível como forward_backward, optim_step, sample e save_state, então você decide o que o laço de treinamento faz enquanto o Tinker agenda as tarefas e mantém as máquinas rodando. A proposta é simples: mantenha seus algoritmos e seus dados, e repasse o agendamento, o ajuste e a confiabilidade, aquele trabalho que costuma devorar um orçamento de pesquisa.
O serviço foi lançado em outubro de 2025 e aberto a todos em dezembro de 2025, sem lista de espera. Ele vem da Thinking Machines Lab, a empresa que Mira Murati fundou depois de deixar a OpenAI como CTO, e se apoia na própria pesquisa da equipe, que mostra que o LoRA pode igualar o ajuste fino completo em desempenho de aprendizado quando é bem configurado.
A pegadinha está no escopo. O Tinker treina modelos que já existem em seu catálogo, então você não pré-treina um modelo do zero nem carrega seus próprios pesos. Você também paga por token, o que é barato em experimentos pequenos e cresce rápido quando você escala uma execução. Seus dados continuam seus. Segundo a Thinking Machines, eles são usados apenas para ajustar seus modelos e nunca para treinar os deles.
Como começar
- Crie uma conta no site do Tinker e gere uma chave de API no seu painel.
- Escolha um modelo base no catálogo e instale o cliente Python no seu ambiente.
- Prepare seus dados de treinamento como exemplos supervisionados ou ambientes de aprendizado por reforço.
- Chame as primitivas em um laço para calcular gradientes, atualizar pesos e amostrar saídas.
- Salve os checkpoints com
save_statee baixe os pesos que quiser manter.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de Tinker.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Pesquisadores de aprendizado de máquina
- Estudantes de pós-graduação e equipes de laboratório
- Engenheiros de startups
Tarefas
- Ajuste fino supervisionado
- Execuções de aprendizado por reforço
- Ajuste de visão e linguagem
- Destilação
Cenários
- Um grupo de pesquisa testando um novo algoritmo de pós-treinamento com um orçamento fixo.
- Uma equipe adaptando um modelo de matemática ou programação a um benchmark interno.
- Um desenvolvedor que precisa de um modelo personalizado para uma tarefa específica e não quer montar um cluster.
Principais recursos
Primitivas de treinamento de baixo nível
O Tinker entrega quatro funções centrais. forward_backward executa um passo para frente e para trás que acumula gradientes. optim_step atualiza os pesos. sample gera tokens para avaliação ou ações de aprendizado por reforço, e save_state salva o progresso. Esse conjunto pequeno cobre a maioria dos métodos de pós-treinamento, e você os monta como seu experimento precisar.
Modelos base intercambiáveis
Trocar de um modelo pequeno para um muito maior é mudar uma string no seu código Python, não reescrever tudo. Sem novo script de treinamento. O catálogo vai de modelos densos compactos a grandes sistemas de mistura de especialistas como o Kimi K2 Thinking e a linha Nemotron 3, então você pode prototipar barato e escalar depois.
LoRA com rank ajustável
O Tinker faz o ajuste fino com LoRA, que treina um adaptador compacto em vez do conjunto completo de pesos. A plataforma ajusta o rank do adaptador em tempo real, permitindo que várias execuções de treinamento compartilhem um mesmo pool de GPUs. Contas menores para o mesmo experimento. Iteração mais rápida quando você testa ideias.
Inferência compatível com OpenAI
Uma interface de inferência padrão espelha a API da OpenAI, então você pode amostrar de um modelo mesmo enquanto ele ainda está treinando. Qualquer ferramenta ou framework que já fala o formato da OpenAI se conecta apontando para o caminho de um modelo, o que poupa você de escrever código de cola.
Treinamento distribuído gerenciado
Você nunca toca em drivers de GPU nem na configuração de clusters. O Tinker orquestra o treinamento distribuído sozinho, cuidando do agendamento, da alocação de recursos e da recuperação quando uma tarefa falha. Seu tempo vai para os dados e os algoritmos. Não para manter o hardware vivo.
Tinker Cookbook
A equipe publica uma biblioteca de código aberto com exemplos realistas de ajuste fino, do aprendizado supervisionado clássico a pipelines experimentais de aprendizado por reforço. É o jeito mais rápido de ver como as primitivas se encaixam antes de escrever seu próprio laço.
Prós e contras
Prós
- Controle total sobre funções de perda e laços de treinamento sem possuir o hardware.
- O LoRA mantém os custos de computação baixos e deixa várias execuções compartilharem um pool de GPUs.
- O preço por token significa que você só paga pelo que um experimento realmente consome.
- Trocar de modelo é uma mudança de uma linha, então testar um modelo base maior sai barato.
- Checkpoints baixáveis evitam que você fique preso à plataforma.
Contras
- Sem plano gratuito, então você não pode testar o fluxo de trabalho antes de gastar nada.
- Você não pode carregar seus próprios pesos nem pré-treinar um modelo do zero, o que descarta muitas arquiteturas personalizadas.
- Os custos crescem com os tokens, então uma execução longa de aprendizado por reforço pode consumir um orçamento rápido.
- A API de primitivas pressupõe que você sabe escrever Python e entende laços de treinamento; não é uma ferramenta de cliques.
Perguntas frequentes
É uma API para ajustar modelos de linguagem de código aberto. Você fornece dados e código, o Tinker roda o treinamento nos clusters de GPU dele e devolve um modelo do qual você pode amostrar ou que pode baixar.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a Tinker.
Alternativas a Tinker
Forefront
Forefront · ProgramaçãoO Forefront é uma plataforma web para construir com IA de código aberto. Você ajusta os principais modelos de linguagem de código aberto com seus próprios dados, avalia o desempenho deles e os roda por uma API ou os exporta para hospedar por conta própria. Desenvolvedores que querem a conveniência de uma plataforma fechada, mas fazem questão de ser donos dos modelos e dos dados, são o público-alvo aqui.
Startkit
StartKit.AI · ProgramaçãoStartkit é um boilerplate para criar produtos de SaaS com IA e wrappers de IA. Pense nele como um boilerplate para startups de IA com as partes chatas já conectadas: autenticação, pagamentos com Stripe e Lemon Squeezy, limites de uso, e-mail transacional e um kit inicial de API de IA que conversa com OpenAI, Anthropic, Groq ou Llama. Você clona o repositório, define seu preço e começa pela parte do produto que as pessoas realmente pagam. Ele é feito em Next.js sobre React e Tailwind, então boa parte do código boilerplate já parece familiar.
Testim
Tricentis · ProgramaçãoO Testim é uma plataforma de automação de testes com IA para criar e executar testes de ponta a ponta em aplicações web, mobile e Salesforce. Ele se apoia no aprendizado de máquina para manter os testes estáveis quando uma interface muda, então as equipes gastam menos tempo consertando seletores quebrados. Nada mal para uma ferramenta de testes automatizados que você pode começar a usar hoje. Você cria testes gravando ações no navegador e depois adiciona JavaScript quando precisa de mais controle. É uma escolha sólida para equipes de QA ocupadas.