Tinker
你在自己電腦上寫訓練迴圈、定義損失與獎勵，GPU 排程、故障復原與檢查點全交給 Tinker，用 LoRA 微調 Inkling、Qwen、GLM、DeepSeek 等開源模型
Tinker 是 Thinking Machines Lab 的模型後訓練（post-training）API。這間實驗室的團隊成員曾參與 ChatGPT、Character.ai、Mistral 與 PyTorch，Tinker 在 2025 年 10 月推出，同年 12 月取消候補名單、開放所有人註冊。11 月 5 日實驗室發表第二代自家模型 Inkling 2 Small，首發管道就是 Tinker，這週又被大量討論。
功能特色與適用場景：Tinker 的設計很「底層」。你的資料和訓練迴圈留在自己手上，透過 sample、forward_backward、optim_step、save_state 這幾個函式呼叫，GPU 配置、排程、節點故障換手都由 Tinker 處理。損失函式內建交叉熵、PPO、CISPO、GSPO、DRO 等，也能自訂，所以監督式微調和強化學習都能做。微調採 LoRA，官方研究稱設定得當時效果可追上全參數微調。訓練中的檢查點可以直接用相容 OpenAI 或 Anthropic 的 API 取樣。
可訓練的模型包括自家 Inkling 系列（Inkling 2 Small 為 5,940 億參數、170 億啟用的 MoE，發表時權重未公開，官方表示完成外部安全測試後以 Apache 2.0 釋出），以及 Qwen3.5／3.6、GLM-5.3、DeepSeek-V4.1-Flash、GPT-OSS-20B 等。官網案例中，Bridgewater 用 Tinker 訓練 Qwen3-235B 做金融資訊篩選，六項任務平均準確率 84.66%，高於 GPT-5.5 的 78.2%，推論成本約十四分之一；Exa 把 Qwen3-4B 訓練成搜尋代理，2WikiMultihopQA 準確率從 50.0% 拉到 83.9%。
和站上的 Together AI、Fireworks AI 這類「上傳資料、按鈕微調」的服務不同，Tinker 要你自己寫迴圈，彈性大很多，門檻也高；想要更省事、又不想把資料交給雲端，可以在自己機器上跑 Unsloth。
台灣使用者怎麼用：適合有 Python 與機器學習基礎的研究室、金融與製造業的資料團隊，把內部判斷標準訓練成小而便宜的專用模型。全英文介面、以美元計價；Qwen、GLM 這些底模本身中文能力不錯，繁中訓練資料要自己準備。
TheAI學院 編輯建議
編輯實測後的真心話Tinker 的有趣之處在於它沒有幫你做決定：損失怎麼算、獎勵怎麼給都是你的事，它只把最痛苦的 GPU 基礎設施拿走。我沒有實測，從官網列出的 Bridgewater、Exa 案例看來，「拿自家專業知識訓練一個便宜的小模型去打贏大模型」這條路確實走得通，但前提是你手上要有好的資料和評估方法。
主要功能
- sample、forward_backward、optim_step、save_state 等函式，自己掌握訓練迴圈
- 內建交叉熵、PPO、CISPO、GSPO、DRO 等損失函式，也可自訂
- 以 LoRA 微調 Inkling、Qwen、GLM、DeepSeek、Nemotron 等開源模型
- 訓練中的檢查點可用相容 OpenAI 與 Anthropic 的 API 直接取樣
- 支援 Qwen3-VL 等模型的影像輸入
- Tinker Playground 可直接試用 Inkling 2 Small
- Tinker cookbook 提供預測、持續學習等訓練範例
如何使用 Tinker
- 到 thinkingmachines.ai/tinker 註冊帳號並取得 API 金鑰
- 安裝 Tinker SDK，參考 cookbook 挑一個接近需求的範例
- 準備訓練資料，選定底模並建立 LoRA 訓練客戶端
- 在自己的迴圈中呼叫 forward_backward 與 optim_step，定期 save_state
- 用相容 OpenAI 的 API 對檢查點取樣，評估效果後再決定部署方式
適用場景
- 把分析師的篩選標準訓練成便宜的專用分類模型
- 用強化學習訓練能查資料、做判斷的搜尋代理
- 訓練預測模型，回答「某事件會不會發生」並給出校準過的機率
- 大學實驗室做後訓練研究，不必自建 GPU 叢集
- 把小模型訓練成特定程式語言（如 Verilog）的寫碼助手
Tinker 的優點與缺點
優點
- 不用自己找 GPU、處理排程與節點故障，大模型也能開跑
- 監督式微調與強化學習都能做，彈性遠高於一般微調按鈕
- 官網公開多個客戶的量化成果，評估時有依據
缺點
- 需要自己寫 Python 訓練迴圈，不適合沒有 ML 背景的人
- 只做 LoRA 微調，不提供全參數訓練
- 部分舊模型會陸續下架，長期專案要留意模型淘汰時程
價格方案
依模型與用量計費，訓練、取樣與檢查點儲存分開計算；各模型單價列在官方文件「Models & Pricing」頁。目前註冊即可使用，已無候補名單。價格以官網為準
Tinker 常見問題
Tinker 和一般的微調服務有什麼不同？
一般服務是上傳資料、選參數、按下訓練；Tinker 只提供訓練與取樣的基本函式，迴圈、損失函式與獎勵由你在自己電腦上寫，GPU 與故障處理由 Tinker 負責，所以能做強化學習這類客製流程。
現在還需要排候補嗎？
不用。官方在 2025 年 12 月宣布取消候補名單，所有人都可註冊；大學或組織要大規模使用可另外聯絡官方。
Inkling 2 Small 可以下載權重嗎？
11 月 5 日發表時是封閉權重，只能在 Tinker 上試用、微調與取樣。官方表示完成外部安全測試與紅隊演練後，會以 Apache 2.0 授權釋出完整權重，屆時 Tinker 上的檢查點也可下載。
訓練好的模型要怎麼拿來用？
可以直接透過相容 OpenAI 或 Anthropic 的 API 對檢查點取樣，接到現有程式；也能把權重存下來另外部署。
使用者評價
還沒有足夠評價，搶先分享你的使用心得！
寫下你的評價
Tinker 的替代方案
查看相似的 AI 工具 →相關 AI 工具
實價雷達 HouseTW
把台灣 349 萬筆實價登錄成交，跟液化、斷層、淹水風險標在同一張地圖上的免費房價查詢站。
Profet AI
台灣製造業的無程式碼 AutoML，讓製程工程師自己建模。
Cubo AI
台灣團隊做的 AI 寶寶攝影機，口鼻遮蓋偵測是它的招牌。
Whoscall
台灣國民級防詐 App，來電響起就告訴你對方是誰。
Claude
Anthropic 的 AI 助理，長文件與寫作品質是它的主場。
DocsAlot
連上 GitHub 或讓 Codex、Claude 照提示詞自己建文件站，一份來源同時發布給人看的文件、給代理讀的 llms.txt 與 MCP，還能查 AI 實際引用了哪一頁
