📖 产品简介
Tinker 是 Mira Murati 创立的 Thinking Machines Lab 于 2026 年 10 月 9 日推出的首款产品，一个面向语言模型微调的低层训练 API。
研究者/工程师在本地写训练循环（forward_backward / optim_step / save_state / sample 等原语），平台在其托管的分布式 GPU 集群上执行，保留对数据、目标函数与优化步骤的完全控制，同时把调度、容错与多节点编排交给托管层。私有测试阶段，免费起步，后续转按量计费。支持 Llama、Qwen 等开放权重模型及大型 MoE（如 Qwen3-235B-A22B），采用 LoRA 后训练；配套 Apache-2.0 的 Tinker Cookbook 提供 SFT/RLHF/数学推理/工具调用等参考训练循环。早期用户包括普林斯顿、斯坦福、UC Berkeley、Redwood Research。
定位
Thinking Machines Lab 首款产品——把分布式 LLM 微调变成几行 Python
适合人群
AI 研究者
ML 工程师
高校实验室
需要微调开放权重模型的团队
支持平台
Python、云端 GPU 集群
开源
是
✨ 核心功能
- 低层训练原语：forward_backward / optim_step / save_state / sample，不隐藏旋钮
- 托管分布式执行：在 TML 内部 GPU 集群运行，自动容错与多节点编排
- 开放权重覆盖：Llama / Qwen 及大型 MoE，切换只需改字符串
- LoRA 后训练：可下载适配器权重在自有推理栈使用
- Tinker Cookbook：Apache-2.0 参考训练循环（SFT/RLHF/RL）
- 模型 Inkling：TML 自研通用模型，支持图像/音频多模态与可控推理力度
- 私有测试免费起步，后续按量计费
⚖️ 优缺点分析
👍 优点
- 保留算法控制权（损失/RLHF/数据处理）
- LoRA 务实降本，可匹配全量微调效果
- 开放权重生态，便携训练产物
- Cookbook 降低入门门槛
- 顶级研究机构早期采用
👎 缺点
- 仍处私有测试（等待名单）
- 面向研究者而非普通开发者
- 按量计费细节尚未公布
- 需要一定的 ML 训练基础
📊 评分详情
功能完整
9
易用程度
7
安全可靠
8
性价比
8.5
💬 用户评价
Tinker 把 forward_backward/optim_step 这种底层原语暴露出来，又把多节点编排交给托管集群，既保住我的算法控制权，又不用自己搭训练基建。
📝 更新日志
-
2026-10-09正式推出（TML 首款产品）Thinking Machines Lab 于 10/9 推出首款产品 Tinker，一个把分布式 LLM 微调抽象为低层 Python 原语的托管训练 API；私有测试免费起步，后续按量计费，配套 Apache-2.0 Tinker Cookbook。来源：MarkTechPost / zizaifan / thinkingmachines.ai。