OpenAI前CTO首个创业产品Tinker，这里全量升级开放了，还有羊毛可薅

当 OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab (TML) 用 Tinker 创新性的将大模型训练抽象成 forward backward，optimizer step 等⼀系列基本原语，分离了算法设计等部分与分布式训练基础设施关联，把 “训练” 大模型变成了简单的 “函数调用” 时，行业进入一场从 “作坊式炼丹” 到 “工业化微调” 的升级。

潞晨云微调 SDK 正式开放上线：基于 Thinking Machine Lab 开源的 Tinker SDK 构建，作为国内首个兼容 Tinker 范式且全面开放的 Serverless 微调平台，为复杂昂贵的强化学习提供更具成本优势的工业级解法 —— 开发者无需囤卡，rollout→reward→update 全链路按 Token 计价，让每一分钱都花在产生梯度的 “刀刃” 上。

拥抱后训练与 RL

算法层与底层算力架构的解耦 

随着 OpenAI o1 在推理能力上的突破，业界逐渐形成共识：大模型的能力突破已不再单纯依赖预训练（Pre-training）阶段的参数堆砌，后训练（Post-Training） 特别是强化学习正成为决定模型实用价值的核心战场。以 DeepSeek‑R1 为例，仅靠强化学习训练，模型在 AIME 数学推理基准上的 pass@1 从 15.6% 提升至 77.9%，充分展示了 RL 在低数据量条件下即可实现大幅能力跃升，迅速成为后训练赛道的新范式。

然而，摆在算法工程师面前的问题依旧严峻。强化学习涉及到更为复杂的系统设计，训练过程中存在一系列的问题，如多个模型的优化，数据的传递，以及模型权重的传递；一系列工程化的工作，给算法的设计带来了更多的困难，同时也对基础设施提出了更高的要求。

Tinker 的出现，就是为了解决这个问题：把繁杂训练变成标准易用的 API。

潞晨云把这一范式写进底层假设，算法设计与基础设施解耦 —— 开发者只负责定义数据与 Loss 函数，底层的异构集群调度、并行策略优化、容错运维等应被封装为基础设施服务，对开发者实现全托管与无感支持。

致敬创新，更致力于落地。潞晨云微调 SDK 兼容 Tinker 接口， 消除了从 “算法灵感” 到 “模型落地” 之间的工程化壁垒，在零代码微调与裸机全手写之间落在最佳平衡点，将研究精力和算力成本从集群运维还原至算法本身，带给开发者 “本地写码，云端计算的 “训练即服务（Training as a Service）” 流畅体验 。

潞晨云微调 SDK 今日起全量开放，前 150 名用户通过专属链接注册，可获得 30 元 Token 使用额度：

https://cloud.luchentech.com/account/signup?invitation_code=JQZX

颠覆性人力效能比

1 名算法工程师顶替原庞大 Infra 团队

潞晨云微调 SDK 的核心思路可以概括为：算法工程师定义算法逻辑，潞晨云搞定 Infra 。

在传统的开发中，用户往往要花大量精力去租赁合适的算力集群、管理环境配置、调训练框架和集群运维。但潞晨云将大模型训练拆解成了一组标准的函数原语，打通了从 SFT 到 RL 的全链路：

• Forward & Backward： 处理前向传播与梯度计算

• Optimizer Step： 执行权重更新策略

• Sample (Rollout)： 做推理生成和评估，使用户不仅可以完成 SFT，更能轻松构建 PPO、GRPO、DPO 等复杂的强化学习（RLHF/RLAIF）训练流

• Save State： 管理模型检查点与状态保存

这意味着，用户可以在本地熟悉的 Jupyter Notebook 或 IDE 里，用最标准的 Python 语法像搭积木一样自由组合，掌控训练逻辑的细节。

这种模式带来了颠覆性的‘人力效能比’提升：它将原本需要运维工程师、Infra 工程师、平台工程师和算法工程师紧密配合的庞大团队，简化为了‘一个算法工程师’的独立闭环。

用户不再被底层繁杂的基建拖累，不再背负多职能的枷锁，也不再是黑盒填参的被动执行者，而是能够独立驾驭大规模训练流的主动设计师。无论是监督微调（SFT）还是更复杂的强化学习（RL）Pipeline，都能通过组合这些原子函数来灵活构建。

为什么这种体验如此丝滑？

为了实现极致的流畅度，潞晨云基于现有的 GPU 云服务架构实现了一套完整的后端系统。在具体实现中，潞晨云采用控制面与计算面分离设计，通过统⼀ API Server 管理跨地域的多个 GPU 计算集群，实现多云部署能力。核心采用基于 Future 模式的异步 API，所有训练操作⽀持非阻塞调用，用户无需等待 GPU 计算完成即可继续执行后续逻辑。

潞晨云微调 SDK 还具备智能队列系统，即使在资源洪峰期，任务也会自动进入持久化队列（Persistence Queue），一旦底层资源可用，毫秒级启动，队列等待期间 0 计费，仅对实际 prefill + sample + train 的 Token 量收费，无资源闲置，将用户每一分钱都用在产生梯度的刀刃上。

模型微调的算力零售革命

从 “包机租赁” 到 “按 Token 计费”

如果说 “易用性” 是后训练平台的入场券，那么 “成本结构” 则是决定谁能走得更远的护城河。

在传统云主机的 “包机 / 时租” 模式中，用户一直在为 “过程” 买单 —— 无论是在加载数据、调试代码，还是仅仅在思考 Loss 函数，只要占用了显卡，计费表就在跳动。这种模式下，开发过程中有一半以上的预算都浪费在了这些没有实际产出的 “垃圾时间” 里。

潞晨云为微调大模型场景引入了 Serverless 架构，推行 “按 Token 计费” 的商业模式，将微调场景的算力服务切分到了最细的颗粒度：

• 为价值付费： 就像使用推理 API 一样，用户只需为 Prefill (输入)、Sample (推理输出) 和 Train (训练)  产生的有效计算 Tokens 量付费。

• 其他环节全免费： 本地代码调试、环境配置、数据预处理、模型 Checkpoint 保存…… 这些在传统租卡模式下分秒必争的环节，在潞晨云全部免费。

• 极致性价比：通常，RL 需要同时维护高吞吐的推理集群（vLLM）和训练集群，算力成本极高。但在潞晨云上，实测基于官方 Cookbook 的 math_rl recipe 跑通包含 Rollout 采样、Reward 评分和 PPO 更新的完整 RL 流程（~300 steps），总算力成本仅 8.61 元。这意味着，个体开发者也能低成本复现 RLHF/RLAIF 探索。

技术落地的三个场景

SFT 与 RL 同时 “开箱即用”

这种新模式，也将彻底改变不同领域开发者的工作流：

• 科研场景：告别资源焦虑  

学术界，时间与算力往往是最紧缺的资源。研究人员不仅要面对繁琐的集群运维（Slurm/Docker 配置），还要应对昂贵的实验复现成本。潞晨云微调 SDK 支持 “白盒级” 的科研探索，全面兼容 Tinker API。研究人员可以自定义 Evaluation 逻辑、通过 Forward/Backward，Sample 等原语精确控制后训练和强化学习 Pipeline，而无需关心底层的分布式实现，让实验复现成本大幅降低。

• 创业与独立开发：极速验证 MVP 

对于初创团队，“快” 是生存根本。利用潞晨云微调 SDK 的 Serverless 特性，开发者无需等待资源排期。配合极低的 Token 成本，实测从 pip install 到跑通一个包含 1000 条样本的 SFT 或 RL 微调实验，仅需数分钟。这种极致的边际成本，让创业者敢于在有限预算下快速迭代 Reward 模型，实现真正的 “低成本试错”。

• 工业级落地：复杂架构突围  

在金融、医疗等垂直领域的工业应用中，已有微调 API 往往难以应对复杂的异构架构与 RLHF/RLAIF 需求。潞晨云微调 SDK 允许工程师通过 train_step 自由定义 Loss 逻辑与强化学习奖励函数。开发者拥有对模型权重与训练细节的完整控制权，实现端到端定制。

极简实战：三步上手

没有复杂的集群配置，没有冗长的 Docker 构建。使用潞晨云微调 SDK，训练一个大模型就像写普通 Python 脚本一样简单：

1.Install & Import:

Bashpip install hpcai

2.Initialize Client: 目前已支持 Qwen3 系列 (4B-32B) ，更多模型即将上线

Pythonimport hpcai# 初始化 LoRA 训练客户端，无需配置复杂的分布式参数training_client = service_client.create_lora_training_client (    base_model="Qwen/Qwen3-4B",    rank=32)

3.Define Training Loop & Run: 像在本地写 PyTorch 一样，拥有对训练循环的完整控制权：

Python# 训练循环：完全可控for step in range (target_steps):    # 前向与反向传播    fwd_bwd = training_client.forward_backward (batch, "cross_entropy")    # 优化器步进    optim = training_client.optim_step (adam_params)    # 实时获取 Loss 进行监控    loss = fwd_bwd.result ().metrics.get ("loss:mean")

目前，微调 SDK 已覆盖 Qwen3 系列模型（4B、8B、14B、32B），支持监督学习和强化学习训练方式，并将持续扩展更多模型能力与细分落地场景，大家也可以向官⽅提交需求 push 更新。

平台还准备了开箱即用的 HPC-AI Cookbook，提供包括 DeepSeek-R1  GRPO 算法、基于 Verifier 的数学推理、自定义 Reward 函数等复杂 RL 场景的完整代码实现。开发者无需从零构建复杂的 PPO/GRPO 流水线，只需复制 Cookbook 中的 “配方”，运行轻量级本地 train.py 脚本，即可驱动云端复杂的分布式 RL 训练流，在潞晨云上复现具备复杂逻辑推理能力的 SOTA 模型。

现在体验

后训练正从学术支线升级为工程主线，AI 基础设施的终极形态应该是 “零认知负荷”—— 开发者只需描述数据与算法，其余（租卡、配环境、并行策略、运维调度、故障自愈，乃至 RL 涉及的一系列工程化的工作）全部下沉到用户无感。当 GPU 闲置成本趋近于 0，环境配置时间趋近于 0，长序列 RLHF 也能按 Token 即时计费，应用创新效率直接逼近算力上限。

潞晨云微调 SDK 今日起全量开放：

• 无需白名单，无需预约

• 前 150 名注册即得 30 元体验金（填写专属福利码 JQZX）

把资源弹性交给平台，把算法自由度留给自己，每一分钱都用在产生梯度的刀刃上！

• 立即体验：https://cloud.luchentech.com/fine-tuning

• 使用文档：https://cloud.luchentech.com/doc/docs/finetune-sdk/

Reference

[1] Tinker SDK: https://github.com/thinking-machines-lab/tinker

[2] DeepSeek-R1: https://arxiv.org/pdf/2501.12948