Запущен Tinker API от Thinking Machines

Компания Thinking Machines, AI-стартап, основанный в начале этого года бывшим техническим директором OpenAI Мирой Мурати, выпустила свой первый продукт: Tinker, API на базе Python, созданный для того сделать дообучение больших языковых моделей (LLM) одновременно мощным и доступным.

В настоящее время находящийся в стадии закрытого бета-тестирования, Tinker предоставляет разработчикам и исследователям прямой контроль над их конвейерами обучения, беря на себя всю тяжелую работу по управлению распределенными вычислениями и инфраструктурой.

Как написала Мурати в своем посте в социальной сети X: «Tinker предоставляет исследователям передовые инструменты, предлагая понятные абстракции для написания экспериментов и обучающих конвейеров, одновременно справляясь со сложностями распределенного обучения. Это делает возможными новаторские исследования, создание кастомных моделей и надежных базовых показателей».

Запуск Tinker стал первой публичной вехой для Thinking Machines, которая ранее в этом году привлекла 2 млрд долларов от a16z, NVIDIA, Accel и других инвесторов.

Цель компании — поддержать более открытую и настраиваемую разработку ИИ. Эта миссия, судя по всему, находит отклик как у независимых исследователей, так и у институтов, разочарованных непрозрачным инструментарием современных проприетарных моделей.

Ориентированный на разработчиков API для обучения

Tinker — это не очередной интерфейс с функцией перетаскивания (drag-and-drop) или сервис дообучения по принципу «черного ящика». Вместо этого он предлагает низкоуровневый, но удобный для пользователя API, предоставляя исследователям детальный контроль над функциями потерь, циклами обучения и рабочими процессами с данными — и все это на стандартном языке Python.

Фактические рабочие нагрузки обучения выполняются на управляемой инфраструктуре Thinking Machines, обеспечивая быстрое распределенное выполнение без обычных хлопот по оркестрации графических процессоров.

В своей основе Tinker предлагает:

• Примитивы на базе Python, такие как forward_backward и sample, позволяющие пользователям создавать пользовательские алгоритмы дообучения или обучения с подкреплением (RL).

• Поддержку как небольших, так и крупных моделей с открытыми весами, включая архитектуры «мощности экспертов» (Mixture-of-Experts), такие как Qwen-235B-A22B.

• Интеграцию с настройкой на основе LoRA, что позволяет нескольким задачам обучения совместно использовать пулы вычислений, оптимизируя экономическую эффективность.

• Сопутствующую библиотеку с открытым исходным кодом под названием Tinker Cookbook, которая включает реализации методов постобучения.

Как написал аспирант по компьютерным наукам из Университета Беркли Тайлер Григгс в X после тестирования API: «Многие сервисы дообучения на основе RL ориентированы на корпоративный сектор и не позволяют заменять логику обучения. С Tinker вы можете не думать о вычислениях и просто «экспериментировать» (tinker) со средами, алгоритмами и данными».

Практические примеры использования в различных учреждениях

До своего публичного дебюта Tinker уже использовался в нескольких исследовательских лабораториях. Среди первых пользователей — команды из Беркли, а также Принстона, Стэнфорда и Redwood Research, каждая из которых применяет API для решения уникальных задач обучения моделей:

• Команда Goedel из Принстона дообучила языковые модели для формального доказывания теорем. Используя Tinker и LoRA всего на 20% данных, они сравнялись по производительности с моделями SFT с полными параметрами, такими как Goedel-Prover V2. Их модель, обученная на Tinker, достигла 88,1% pass@32 на бенчмарке MiniF2F и 90,4% с самокоррекцией, опередив более крупные закрытые модели.

• Лаборатория Роцкоффа в Стэнфорде использовала Tinker для обучения моделей химических рассуждений. Благодаря обучению с подкреплением поверх LLaMA 70B точность преобразования номенклатуры IUPAC в формулу выросла с 15% до 50% — прирост, который исследователи охарактеризовали как ранее недостижимый без серьезной инфраструктурной поддержки.

• SkyRL в Беркли запустила пользовательские циклы многоагентного обучения с подкреплением, включающие асинхронное внеполитическое обучение (async off-policy training) и многошаговое использование инструментов, что стало выполнимым благодаря гибкости Tinker.

• Redwood Research использовала Tinker для обучения с подкреплением модели Qwen3-32B для задач контроля ИИ с длинным контекстом. Исследователь Эрик Ган поделился, что без Tinker он вряд ли стал бы заниматься этим проектом, отметив, что масштабирование многоузлового обучения всегда было препятствием.

Эти примеры демонстрируют универсальность Tinker — он поддерживает как классическое контролируемое дообучение, так и высокоэкспериментальные пайплайны RL в совершенно разных областях.

Одобрение сообщества исследователей ИИ

Анонс Tinker вызвал бурную реакцию в сообществе исследователей ИИ.

Бывший соучредитель OpenAI и бывший глава отдела ИИ в Tesla Андрей Карпатый (ныне возглавляющий школу Eureka Labs, созданную специально под эгидой ИИ) похвалил архитектурные компромиссы Tinker, написав в X: «По сравнению с более распространенной и существующей парадигмой «загрузите свои данные, мы дообучим вашу LLM», это, на мой взгляд, более грамотный подход к разделению сложностей постобучения».

Он добавил, что Tinker позволяет пользователям сохранять около 90% алгоритмического контроля, избавляя их примерно от 90% проблем с инфраструктурой.

Джон Шульман, бывший соучредитель OpenAI, а ныне главный научный сотрудник и соучредитель Thinking Machines, охарактеризовал Tinker в X как «инфраструктуру, о которой я всегда мечтал», и привел цитату британского философа и математика Альфреда Норта Уайтхеда: «Цивилизация движется вперед путем увеличения числа важных операций, которые мы можем выполнять, не думая о них».

Другие отметили удобство API и то, как плавно он справляется со сценариями, специфичными для обучения с подкреплением, такими как параллельный инференс и выборка чекпоинтов.

Филипп Мориц и Роберт Нисихара, соучредители AnyScale и создатели широко используемого фреймворка для масштабирования приложений ИИ с открытым исходным кодом Ray, подчеркнули возможность объединения Tinker с фреймворками распределенных вычислений для еще большего масштабирования.

Бесплатный старт, модель оплаты по мере использования появится в ближайшее время

В настоящее время Tinker доступен в режиме закрытого бета-тестирования, а для разработчиков и исследовательских групп открыта регистрация в лист ожидания. Во время бета-тестирования использование платформы бесплатно. В ближайшие недели будет представлена модель ценообразования на основе использования (pay-as-you-go).

Организациям, заинтересованным в более глубокой интеграции или выделенной поддержке, компания предлагает обращаться с запросами через свой сайт.

Предыстория Thinking Machines и исход сотрудников из OpenAI

Компания Thinking Machines была основана Мирой Мурати, занимавшей пост технического директора OpenAI до своего ухода в сентябре 2024 года. Ее уход последовал за периодом организационной нестабильности в OpenAI и стал одним из нескольких громких уходов исследователей, особенно из команды суперсогласования OpenAI, которая с тех пор была распущена.

Мурати объявила о концепции своей новой компании в начале 2025 года, подчеркнув три столпа:

• Помощь людям в адаптации систем ИИ под их конкретные нужды

• Создание надежных основ для способного и безопасного ИИ

• Развитие открытой науки посредством публичного выпуска моделей, кода и результатов исследований

В июле Мурати подтвердила, что ее стартап привлек 2 млрд долларов, что сделало Thinking Machines одним из наиболее финансируемых независимых ИИ-стартапов. Инвесторы сослались на опыт команды в ключевых прорывах, таких как ChatGPT, PPO, TRPO, PyTorch и OpenAI Gym.

Компания выделяется тем, что фокусируется на мультимодальных системах ИИ, которые сотрудничают с пользователями посредством естественной коммуникации, а не стремятся создать полностью автономные агенты. Ее инфраструктура и исследовательские усилия направлены на поддержку высококачественных, адаптируемых моделей при сохранении строгих стандартов безопасности.

С тех пор компания также опубликовала несколько исследовательских работ по методам с открытым исходным кодом, которые любой желающий из сообщества разработчиков машинного обучения и ИИ может свободно использовать.

Такой акцент на открытости, качестве инфраструктуры и поддержке исследователей выгодно отличает Thinking Machines — даже несмотря на то, что рынок ИИ с открытым исходным кодом стал чрезвычайно конкурентным, а множество компаний создают мощные модели, соперничающие по производительности с хорошо финансируемыми американскими лабораториями, такими как OpenAI, Anthropic, Google, Meta и другими.

Поскольку борьба за внимание разработчиков накаляется, Thinking Machines демонстрирует готовность удовлетворить спрос с помощью готового продукта, технической прозрачности и публичной документации.