Подробный разбор · Около 3 мин чтения
Together Post-Training отделяет вашу учебную петлю от управляемых GPU
Сервис от 19 октября предлагает программируемые SFT и RL с временной ценой B200, а не месячной подпиской.
- Дата источника
- Опубликовано здесь
- Источник проверен
19 октября Together представила адаптацию открытых весов через обучение с учителем и подкреплением. Разработчик задаёт цикл, платформа управляет обучением и rollout. Контроль не отменяет данные, оценку или бюджет.
Слушать новости
Прослушайте эту статью или включите новости подряд.
Подготовка чтения…
Голос устройства
Речь обрабатывает браузер или устройство. AISubHub не отправляет текст в аудио-API. Доступные голоса и работа при заблокированном экране зависят от устройства.
При продолжении короткая фраза может повториться.
Кратко
- LoRA-эксперименты делят Model Resource; полные веса доступны избранным моделям. Trainer и Generator позволяют выбирать синхронизацию.
- Ресурс оплачивается за GPU-минуту; первые восемь недель B200 стоит сниженные 9 долларов за GPU-час, не за всю задачу или месяц.
- Muse Spark Open, GLM 5.3, Kimi K3 и Qwen 3.8-27B поддерживаются на старте, не выпускаются все заново.
Граница продукта — управление экспериментом
SFT использует примеры учителя, RL — награды среды. В отличие от отдельного fine-tuning, весь цикл с данными, средой, harness, логами и внешней оценкой задаётся разработчиком. Есть стандартные потери и градиенты локальной цели. Гибкость не гарантирует правильную награду или тест. Инженеры помогают, не заменяя любое проектирование. Это программируемая инфраструктура, не рецепт автоматического успеха.
Выделенные ресурсы и сессии
Model Resource выделяет GPU без конкуренции с чужими запросами и содержит сессии одной основы. Trainer считает и обновляет, Generators делают rollout. SFT может иметь ноль генераторов; синхронизация и асинхронный RL управляемы. Несколько LoRA делят ёмкость, полные веса лишь у некоторых моделей. Muse Spark Open, GLM 5.3, Kimi K3 и Qwen 3.8-27B стартовые, расширение запланировано. Общая ёмкость не делает требования всех экспериментов равными.
Численное качество нужно проверять
Together описывает дрейф от разной численной работы обучения и вывода при одинаковых весах. Названы routing replay, кэш, параллелизм и packing. Dedicated Model Inference обслуживает несколько LoRA; заявлено сохранение качества после объединения FP4. Мы этого не воспроизводили. Отзывы о параллельности или паритете с закрытой моделью и offline-оценки не универсальны. Проверять следует обслуживаемый checkpoint, приёмку и rollout, а не выводить надёжность из эффективности обучения.
Расходы не являются месячным пакетом
Каждый ресурс оплачивается за GPU-минуту. Девять долларов за B200-GPU-час на восемь недель не определяют итог многих GPU или постоянную цену. Генераторы, размер, время и обслуживание меняют затраты. Выгодность относительно токенов при масштабе — заявление компании, не всеобщая проверенная экономия. SDK, cookbooks и миграция Tinker не запускались. Веса, лицензии, права данных и развёртывание проверяются отдельно; блог не даёт общего коммерческого разрешения.
Почему это важно
Можно оставить исследовательский контроль, делегировав GPU-операции. Общие LoRA и rollout оцениваются принятой задачей и полной стоимостью развёрнутой модели, не числом обучений. Паритет с frontier не гарантирован.
Ограничения и доступность
Прочитаны весь запуск и цена без связанных руководств, обучения, обслуживания или покупки. Бесплатные вычисления, личная подписка и одинаковые права разных лицензий не следуют.
Источники и подтверждения
Дата источника: 19 окт. 2026 г. · Источник проверен: 20 окт. 2026 г.
Материалы подготовлены с помощью ИИ и сверены с указанными первоисточниками. Заявления поставщиков атрибутированы; публикация не означает рекомендацию.