前OpenAI CTO新作Tinker全面开放：接入Kimi与千问VL | AINEWS

type

status

date

slug

summary

瞄准痛点：填补模型训练与应用间的“断层”

离开OpenAI之后，Murati和她的团队并没有急于卷入“造更强模型”的军备竞赛中。相反，Thinking Machines Lab敏锐地捕捉到了行业中一个被忽视但至关重要的“中间层”——模型训练与实际使用之间的巨大鸿沟。

在当前的人工智能叙事中，微调大模型听起来似乎很简单：“准备数据、调参、训练”。然而，对于绝大多数非巨头企业的开发者而言，现实却是残酷的：

基础设施复杂：搭建高效的GPU集群调度系统本身就是一项浩大的工程，且GPU资源极其昂贵。

反馈滞后：传统的训练流程往往是“黑盒”状态，必须等训练完全结束才能验证效果，时间成本极高。

接口割裂：训练环境与推理环境不统一，导致模型上线困难，迁移成本高昂。

正如Thinking Machines联合创始人Lilian Weng所言，提供高质量的研究工具，是提升整个社区研究效率最有效的方式。Tinker的诞生，正是为了将模型训练这件高度封闭、精英化的事情，改造成面向大众开发者的、可“边训练、边验证”的便捷工具。

Tinker的核心优势：让微调像写Python一样简单

Tinker究竟有何魔力，能让融资估值飙升至百亿美元级别？简单来说，Tinker是一个将复杂的分布式训练抽象化的AI模型微调平台。

它的核心设计理念是“解放开发者”。在Tinker上，用户无需关心底层的分布式训练、GPU资源分配或故障恢复等繁重工作。你只需要在本地CPU机器上编写一个简单的Python训练循环，定义好数据和损失函数，Tinker平台就会负责将这些计算任务高效地分发到云端的大量GPU上运行。

更值得一提的是，Tinker并非一个封闭的“黑盒”。它在屏蔽底层复杂性的同时，完整保留了用户对算法细节的控制权。这种设计使得从小型模型切换到大型模型变得异常简单——只需更改代码中的一个字符串即可。这种灵活性对于追求AI变现和快速迭代的初创团队来说，无疑是巨大的福音。

重磅更新：接入Kimi K2与千问VL，拥抱多模态

此次Tinker的全面开放，伴随着三项激动人心的功能更新，其中最引人注目的便是对国产大模型的强力支持。

1. 接入Kimi K2 Thinking： Tinker新增了对Kimi K2 Thinking模型的支持。众所周知，Kimi K2是专为长逻辑推理和复杂工具调用设计的“怪物级”模型，也是Tinker目前支持的参数量最大的模型之一。这意味着开发者现在可以在Tinker平台上，针对特定的长文本或推理任务，对Kimi K2进行深度微调，定制出更符合自身业务需求的大模型应用。

2. 引入Qwen3-VL系列： 视觉语言模型（VLM）是当前AI资讯中的热点。Tinker新增了两款Qwen3-VL系列模型（30B和235B版本）。借助这两款模型，用户可以处理图片、屏幕截图和图表，轻松玩转多模态AI。

3. 兼容OpenAI API： 为了降低迁移门槛，Tinker推出了与OpenAI API完全兼容的脚手架功能。这意味着，即便是正在训练中的模型，也可以通过标准的API接口进行采样和调用。对于习惯了ChatGPT开发生态的用户来说，这实现了真正的“即插即用”。

实战案例：一个样本让千问VLM识别新物种

Tinker不仅仅是工具，更是一种新的AI方法论。为了展示其强大的微调能力，官方发布了一个令人印象深刻的实例：利用Tinker微调Qwen3-VL模型进行图像分类。

在实验中，团队发现，即便每个类别仅提供一个样本（One-shot），微调后的Qwen3-VL模型也能展现出惊人的准确率，并成功识别出新物种。在对比测试中，这款VLM模型甚至战胜了专门用于计算机视觉任务的DINOv2骨干网络。

这背后的逻辑在于，VLM模型天生具备丰富的语言知识和通识理解能力。通过Tinker的高效微调，模型能够迅速将已有的知识迁移到新的视觉任务中。这为提示词（Prompt）工程无法解决的复杂视觉识别场景，提供了一条全新的解决路径。

结语：AI民主化的新篇章

Tinker的出现，打破了巨头对顶级模型微调能力的垄断。它将原本需要海量计算资源和顶尖工程团队才能完成的任务，简化为普通开发者也能触手可及的服务。

无论是对于想要探索AI变现的独立开发者，还是希望在垂直领域深耕的企业，Tinker都提供了一个强大的武器。随着Mira Murati和她的Thinking Machines Lab继续发力，我们有理由相信，一个更加开放、普惠、可定制的AI时代正在加速到来。

想要了解更多关于人工智能、大模型及AI新闻的最新动态，请持续关注 AINEWS，我们将为您带来全球最前沿的AI日报与深度解析。