Η Together AI λανσάρει την υπηρεσία Together για μετεκπαίδευση προσαρμοσμένων μοντέλων

Στις 19 Οκτωβρίου 2026, η Together AI λάνσαρε την υπηρεσία Together για μετεκπαίδευση, για τη δημιουργία προσαρμοσμένων μοντέλων μέσω βρόχων ενισχυτικής μάθησης και εποπτευόμενης ρύθμισης λεπτομερειών, που ορίζονται από τους χρήστες. Για τις πρώτες έξι εβδομάδες, η εισαγωγική τιμή είναι 9 $ ανά ώρα χρήσης GPU B200.

Μοντέλα κατά το λανσάρισμα, τιμολόγηση και πρώιμη πρόσβαση

Η υπηρεσία έχει σχεδιαστεί για τη δημιουργία προσαρμοσμένων μοντέλων τόσο με βάση τις ανταμοιβές από το περιβάλλον μέσω ενισχυτικής μάθησης (RL) όσο και με βάση δεδομένα εποπτείας μέσω εποπτευόμενης ρύθμισης λεπτομερειών (SFT). Οι πελάτες ορίζουν τον βρόχο εκπαίδευσης, συμπεριλαμβανομένων των δεδομένων, των περιβαλλόντων και των πλαισίων για πράκτορες, και μπορούν να προσθέσουν βήματα όπως η καταγραφή συμβάντων ή η εξωτερική συγκριτική αξιολόγηση. Παράλληλα, η Together βελτιστοποιεί από κοινού τα υποκείμενα συστήματα και την υποδομή, με στόχο την ποιότητα των μοντέλων και την ταχύτητα εκπαίδευσης. Η Together δήλωσε ότι δημιούργησε την υπηρεσία επειδή η υποδομή ενισχυτικής μάθησης γίνεται ολοένα πιο σύνθετη και πολλές εταιρείες που θα μπορούσαν να επωφεληθούν από τη μετεκπαίδευση είτε δεν ξεκινούν ποτέ είτε ξεκινούν αλλά δεν προχωρούν, λόγω του βάρους της υποδομής.

Η υπηρεσία λανσάρεται με μοντέλα ανοιχτών βαρών Muse Spark Open, GLM 5.3, Kimi K3 και Qwen 3.8-27B. Η Together δήλωσε ότι τις επόμενες εβδομάδες θα διευρύνει τη διαθέσιμη επιλογή, ώστε να περιλαμβάνει τόσο κορυφαία LLM όσο και αποδοτικότερα μικρότερα μοντέλα. Για τις πρώτες έξι εβδομάδες, η υπηρεσία προσφέρεται σε μειωμένη τιμή 9 $ ανά ώρα χρήσης GPU B200.

Πριν από το λανσάρισμα, η Together έδωσε πρόσβαση σε μια επιλεγμένη ομάδα οργανισμών κατά τους τελευταίους μήνες. Ο Adit Jain, ερευνητής στην Collinear AI, δήλωσε ότι η ομάδα του συνεργαζόταν με την εταιρεία από τότε που ξεκίνησε η δοκιμαστική έκδοση της υπηρεσίας μετεκπαίδευσης τον Απρίλιο του 2026.

Αποκλειστικοί πόροι μοντέλων και χρέωση ανά λεπτό χρήσης GPU

Όλα τα πειράματα εκτελούνται σε αυτό που η Together αποκαλεί «Πόρους Μοντέλων»: εκχωρήσεις GPU αποκλειστικά για έναν πελάτη, χωρίς ανταγωνισμό από αιτήματα άλλων χρηστών για προτεραιότητα. Κάθε Πόρος Μοντέλου μπορεί να περιλαμβάνει μία ή περισσότερες Συνεδρίες Εκπαίδευσης, καθεμία από τις οποίες αντιστοιχεί σε ένα πείραμα πάνω στο ίδιο βασικό μοντέλο, όπως, για παράδειγμα, ένα σύνολο προσαρμογέων LoRA. Η Together δήλωσε ότι οι αποκλειστικές εκχωρήσεις καθιστούν επίσης δυνατή την πλήρη ρύθμιση των βαρών, πέρα από το LoRA, κατά την προσαρμογή μοντέλων για εργασίες που απαιτούν εκτεταμένη γνώση.

Κάθε συνεδρία περιλαμβάνει ένα στιγμιότυπο Trainer, υπεύθυνο για τα βήματα προς τα εμπρός και προς τα πίσω και για την ενημέρωση των βαρών, καθώς και στιγμιότυπα Generator, τα οποία εκτελούν τις δειγματοληπτικές εκτελέσεις από την πολιτική. Για την εποπτευόμενη ρύθμιση λεπτομερειών, ένας πόρος μοντέλου μπορεί να ξεκινήσει χωρίς κανένα στιγμιότυπο Generator, ώστε να εξοικονομείται κόστος. Οι χρήστες αποφασίζουν πότε αποστέλλονται οι παράμετροι του Trainer στο Generator, ενώ υποστηρίζεται και η ασύγχρονη ενισχυτική μάθηση για υψηλή αξιοποίηση των GPU και των δύο στοιχείων, ιδίως κατά τις μακρόχρονες εκτελέσεις πρακτόρων.

Οι χρήστες μπορούν να εκτελούν εκπαίδευση LoRA, με πολλούς προσαρμογείς LoRA να μοιράζονται την ίδια χωρητικότητα GPU, καθώς και πειράματα πλήρους ρύθμισης των βαρών για επιλεγμένα μοντέλα. Η υπηρεσία υποστηρίζει συνήθεις συναρτήσεις απώλειας, όπως cross-entropy, GRPO, CISPO και DPPO. Οι χρήστες μπορούν επίσης να υπολογίζουν το δικό τους αντικειμενικό κριτήριο εκπαίδευσης τοπικά και να αποστέλλουν τις κλίσεις του στο Trainer.

Σύμφωνα με την τεκμηρίωση για τη μετεκπαίδευση, το κύριο σύνολο λειτουργιών του SDK περιλαμβάνει τη μέθοδο create, η οποία δεσμεύει έναν πόρο μοντέλου (τη μονάδα χρέωσης), και τη μέθοδο create_session, η οποία συνδέει μια συνεδρία εκπαίδευσης με αυτόν. Ακολουθούν κλήσεις ανά βήμα: η sample_batch για τη δημιουργία ολοκληρώσεων προς βαθμολόγηση, η forward_backward για τον υπολογισμό της απώλειας και την οπισθοδιάδοση των κλίσεων, η optim_step για την ενημέρωση των βαρών και η weights_sync για τη δημοσίευση νέων βαρών στα αντίγραφα του Generator. Στις περιπτώσεις SFT και DPO παραλείπονται οι sample_batch και weights_sync, επειδή δεν γίνεται δειγματοληψία ολοκληρώσεων.

Η χρέωση για τους πόρους μοντέλων γίνεται ανά λεπτό χρήσης GPU, και η Together δήλωσε ότι το συνολικό κόστος εκπαίδευσης γίνεται χαμηλότερο από εκείνο της τιμολόγησης ανά διακριτικό μόλις τα πειράματα αυξηθούν σε κλίμακα. Η τεκμηρίωση αντιπαραβάλλει το μοντέλο αυτό με την τυπική υπηρεσία ρύθμισης λεπτομερειών της εταιρείας, η οποία χρεώνει ανά διακριτικό που υποβάλλεται σε επεξεργασία και εκτελείται ως εργασία μέχρι την ολοκλήρωσή της, χωρίς δυνατότητα παρέμβασης κατά την εκτέλεση. Οι χρήστες της υπηρεσίας μετεκπαίδευσης μπορούν να εξετάζουν μετρικές για κάθε βήμα, να αλλάζουν τον ρυθμό μάθησης, να ανακατεύουν τα δεδομένα ή να διακόπτουν μια εκτέλεση βάσει της δικής τους λογικής.

Σταθερότητα εκπαίδευσης και πορεία προς την παραγωγική χρήση

Η Together δήλωσε ότι η υπηρεσία εξαλείφει πολλές πηγές απόκλισης της πολιτικής μεταξύ των μηχανών εκπαίδευσης και συμπερασμού, όπου μικρές αριθμητικές αποκλίσεις, ακόμη και με πανομοιότυπα βάρη, μπορούν να οδηγήσουν σε χαμηλότερη απόδοση ή κατάρρευση μιας εκτέλεσης ενισχυτικής μάθησης. Για τον σκοπό αυτό χρησιμοποιεί τυπικές τεχνικές, όπως το Rollout Routing Replay, μαζί με βελτιστοποιήσεις που προέρχονται από την έρευνά της για τη σταθερότητα της εκπαίδευσης. Η εταιρεία δήλωσε ότι οι μηχανές εκτέλεσης δειγματοληπτικών διαδρομών της αξιοποιούν τις ίδιες βελτιστοποιήσεις με τη στοίβα εξυπηρέτησής της, ενώ η έξυπνη προσωρινή αποθήκευση και δρομολόγηση για πράκτορες πολλαπλών γύρων, καθώς και η βελτιστοποιημένη παραλληλοποίηση και ο συνδυασμός ακολουθιών, επιταχύνουν τόσο τα βήματα SFT όσο και τα βήματα ενισχυτικής μάθησης.

Μετά την εκπαίδευση, η εταιρεία υποστηρίζει πλέον την εξυπηρέτηση προσαρμογέων multi-LoRA μέσω του Dedicated Model Inference, επιτρέποντας στους χρήστες να εναλλάσσουν προσαρμογείς μέσα σε μία ανάπτυξη σε GPU, αντί να ξεκινούν ξεχωριστή παραγωγική ανάπτυξη για κάθε εκτέλεση. Η Together δήλωσε ότι κάθε σημείο ελέγχου εκπαίδευσης διατηρεί την ποιότητά του κατά την εξυπηρέτηση, ακόμη και μετά τη μετάβαση από τη δειγματοληψία multi-LoRA στον συμπτυγμένο συμπερασμό με ακρίβεια FP4.

Η τεκμηρίωση περιγράφει μια ροή εργασίας που περιλαμβάνει εκπαίδευση, αξιολόγηση και προετοιμασία για παραγωγική χρήση: εκπαίδευση αρκετών προσαρμογέων πάνω σε ένα παγωμένο βασικό μοντέλο, σύνδεση των υποψηφίων σε μία ανάπτυξη multi-LoRA και σύγκρισή τους με την ονομασία διαφορετικού προσαρμογέα σε κάθε αίτημα, και έπειτα ανάπτυξη του επικρατέστερου σε συγχωνευμένη λειτουργία, στη δική του ξεχωριστή ανάπτυξη. Για τα GLM-5.3 και Kimi-K3, οι προσαρμογείς πρέπει πρώτα να περάσουν από ένα βήμα προετοιμασίας για συμπερασμό FP4.

Εγκατάσταση, μετάβαση από το Tinker και πρώτοι χρήστες

Για να ξεκινήσετε, χρειάζεστε την πιο πρόσφατη έκδοση του Together SDK και την τεκμηρίωση. Η Together δημοσίευσε συλλογές παραδειγμάτων σε αποθετήριο με την ονομασία post-training-cookbook στο GitHub, οι οποίες καλύπτουν εκπαίδευση GRPO στο σημείο αναφοράς GSM8K, DPO που υλοποιείται ως προσαρμοσμένη συνάρτηση απώλειας και εκπαίδευση πολλών προσαρμογέων LoRA στον ίδιο πόρο μοντέλου. Η τεκμηρίωση περιγράφει το cookbook ως βιβλιοθήκη Python με έτοιμους βρόχους εκπαίδευσης, τα σημειωματάρια της οποίας παρουσιάζουν βήμα προς βήμα τα GRPO, SFT και την εκπαίδευση πολλών προσαρμογέων σε έναν πόρο μοντέλου, χρησιμοποιώντας τις ασύγχρονες κλήσεις του SDK. Για τις ομάδες που διαθέτουν ήδη ρύθμιση στο Tinker API, υπάρχει μια διαδικασία μετάβασης που αντικαθιστά μία γραμμή εισαγωγής με import together.post_training.tinker as tinker, όπως περιγράφεται λεπτομερώς σε έναν οδηγό μετάβασης.

Μεταξύ των χρηστών που απέκτησαν πρώιμη πρόσβαση, ο Anthony Li, αναπληρωτής διευθυντής επιστήμης δεδομένων στη Deel, είπε ότι ο έλεγχος και η ευελιξία της πλατφόρμας επέτρεψαν στην ομάδα του να αρχίσει να εκτελεί πραγματικά πειράματα RL μέσα σε λίγες ώρες και να εκτελεί έως και πέντε ταυτόχρονα πειράματα RL με την ίδια διαθέσιμη ισχύ GPU. Ο Oliver Normand, ιδρυτικός μηχανικός στην Jack & Jill, είπε ότι η ομάδα του μετεκπαίδευσε ένα μοντέλο που προβλέπει ποιους υποψηφίους θα θέλει να συναντήσει ένας υπεύθυνος προσλήψεων —ένα βασικό βήμα στην αναζήτηση που πραγματοποιεί ο πράκτορας προσλήψεων Jill της εταιρείας— και πέτυχε, σε αξιολογήσεις εκτός σύνδεσης, ποιότητα αντίστοιχη με εκείνη ενός μοντέλου κλειστού κώδικα, χρησιμοποιώντας ένα μοντέλο ανοικτού κώδικα με σημαντικά χαμηλότερο κόστος εξυπηρέτησης. Πρόσθεσε ότι οι μηχανικοί της Together που συνεργάζονται απευθείας με τους πελάτες έγραψαν τα σενάρια που έδωσαν τα πρώτα αποτελέσματα της ομάδας.

Ο Jain της Collinear AI είπε ότι η απρόσκοπτη διαδικασία αυτόνομης αρχικής ρύθμισης διευκόλυνε την έναρξη εκτελέσεων agentic RL πλήρους κλίμακας. Οι μηχανικοί της Together που συνεργάζονται απευθείας με τους πελάτες δουλεύουν μαζί τους σε όλο τον κύκλο ζωής της μετεκπαίδευσης: από την επιλογή ανοικτού μοντέλου και υποδομής πρακτόρων έως τα δεδομένα και τα περιβάλλοντα εκπαίδευσης, τις αξιολογήσεις και τη διάθεση ενός βελτιστοποιημένου τελικού σημείου.