Tinker

Tinker to training API dla researcherow zbudowane przez Thinking Machines Lab (laboratorium Miry Murati). Udostepnia mala, kompozycyjna powierzchnie API do fine-tuningu i treningu modeli fundacyjnych — cztery funkcje (forward_backward, optim_step, sample, save_state) daja pelna kontrole nad algorytmem treningu, podczas gdy TML zarzadza infrastruktura, planowaniem i rezyliencja klastrow GPU. Skierowany do naukowcow i inzynierow AI, ktorzy chca kontrolowac dane i algorytmy, ale nie chca zarzadzac klastrem.

Wspierane modele (stan lipiec 2026): Inkling (975B/41B active, hybrid + vision + audio), Inkling-Small (soon), DeepSeek-V3.1, Kimi K2.6 (retiring K2.5), NVIDIA Nemotron 3 (Nano 30B / Super 120B / Ultra 550B), OpenAI GPT-OSS (20B/120B), Qwen3.6 (35B-A3B, 27B), Qwen3.5 (4B/9B/35B-A3B-Base/397B-A17B) oraz Qwen3-8B. Kazdy model dostepny w kilku konfiguracjach kontekstu (32K/64K/128K/256K). MoE priced by active parameters — istotnie tansze niz gestosc porownywalnej jakosci.

Techniki treningu: SFT (supervised fine-tuning), RL (Reinforcement Learning) z funkcjami straty PPO/CISPO/DPO/DRO/cross-entropy/importance-sampling/custom, preference learning (DPO, RLHF), distillation (SDFT, on-policy i off-policy). Tinker uzywa LoRA jako domyslnej techniki fine-tuningu — trenowany jest adapter zamiast pelnych wag, co daje jakosc porownywalna z full fine-tuning przy znacznie nizszym koszcie compute (badania TML na blogu). Kazdy zapisany checkpoint mozna pobrac przez API i przeniesc do wlasnej infrastruktury inferencji (HuggingFace, SGLang, vLLM, llama.cpp).

Ekosystem: otwarto-zrodlowy Tinker Cookbook (github.com/thinking-machines-lab/tinker-cookbook) zawiera realne przepisy — Chat SL, Math RL, Code RL, Preference, Search-R1 Tool Use, Prompt Distillation, Multi-Agent RL, VLM Classifier, RLHF Pipeline, True-Thinking Score i wiele wiecej. Sampling API zgodne zarowno z API OpenAI, jak i Anthropic — pozwala podpiac wytrenowany model pod istniejacego klienta bez zmian w kodzie. Playground Inkling w konsoli Tinker udostepnia interfejs czatu z zintegrowanym web search. Uzytkownicy naukowi: Berkeley (Sky Lab), Princeton (Goedel Prover), Stanford (StatMech), Redwood Research.

Cennik (aktualizacja: efektywne od 17 lipca 2026): rozliczanie za milion tokenow, oddzielne stawki dla prefill, sample i train. Rabat 80% na cache prefill. Przykladowe stawki (train, per 1M tokenow, ceny efektywne od 17.07): Inkling 64K $5.61, Inkling 256K $11.23, Nemotron 3 Ultra 64K $5.48, Nemotron 3 Super 64K $1.28, Qwen3.5-4B $0.74, GPT-OSS-20B $0.40. Storage $0.10 za GB miesiecznie. Brak darmowego tieru — pay-per-use. Dane treningowe uzytkownika sa uzywane wylacznie do fine-tuningu jego modelu, nie do treningu modeli TML.