एआई मॉडल और प्लेटफ़ॉर्म
Together AI ने कस्टम मॉडल के लिए Together की पोस्ट-ट्रेनिंग सेवा शुरू की
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Together AI ने 19 अक्टूबर, 2026 को Together की पोस्ट-ट्रेनिंग सेवा शुरू की। यह सेवा उपयोगकर्ता-निर्धारित प्रबलन अधिगम और पर्यवेक्षित फाइन-ट्यूनिंग चक्रों के ज़रिए कस्टम मॉडल बनाने की सुविधा देती है। शुरुआती छह हफ़्तों के लिए B200 के उपयोग पर प्रति GPU-घंटा 9 डॉलर का शुरुआती शुल्क रखा गया है।
लॉन्च के समय उपलब्ध मॉडल, कीमत और शुरुआती पहुँच
यह सेवा पर्यावरण से मिलने वाले पुरस्कारों के ज़रिए प्रबलन अधिगम (RL) और पर्यवेक्षण डेटा के ज़रिए पर्यवेक्षित फाइन-ट्यूनिंग (SFT)—दोनों के आधार पर कस्टम मॉडल बनाने के लिए तैयार की गई है। ग्राहक डेटा, परिवेश और एजेंट-आधारित ढाँचों समेत प्रशिक्षण चक्र को परिभाषित करते हैं और इसमें लॉगिंग या बाहरी बेंचमार्किंग जैसे चरण जोड़ सकते हैं। वहीं, Together मॉडल की गुणवत्ता और प्रशिक्षण की गति बेहतर बनाने के लिए अंतर्निहित सिस्टम और बुनियादी ढाँचे का संयुक्त रूप से अनुकूलन करता है। Together ने कहा कि उसने यह सेवा इसलिए बनाई, क्योंकि RL का बुनियादी ढाँचा लगातार जटिल होता जा रहा है और कई ऐसी कंपनियाँ, जिन्हें पोस्ट-ट्रेनिंग से लाभ हो सकता है, बुनियादी ढाँचे का बोझ उठाने के कारण या तो शुरुआत ही नहीं करतीं या शुरुआत करके बीच में रुक जाती हैं।
यह सेवा खुले वेट वाले Muse Spark Open, GLM 5.3, Kimi K3 और Qwen 3.8-27B मॉडल के साथ शुरू हो रही है। Together ने कहा कि आने वाले हफ़्तों में वह उपलब्ध मॉडल का दायरा बढ़ाएगा, ताकि इसमें अत्याधुनिक LLM और अधिक कुशल छोटे मॉडल, दोनों शामिल हों। पहले छह हफ़्तों के दौरान यह सेवा रियायती दर पर उपलब्ध होगी: B200 के उपयोग पर प्रति GPU-घंटा 9 डॉलर।
लॉन्च से पहले, पिछले कुछ महीनों के दौरान Together ने चुनिंदा संगठनों को शुरुआती पहुँच दी थी। Collinear AI के शोधकर्ता Adit Jain ने कहा कि उनकी टीम ने कंपनी के साथ अप्रैल 2026 में उसकी पोस्ट-ट्रेनिंग बीटा सेवा शुरू होने के बाद से सहयोग किया था।
समर्पित मॉडल संसाधन और GPU-मिनट के हिसाब से बिलिंग
सारे प्रयोग उन संसाधनों पर चलते हैं जिन्हें Together मॉडल संसाधन कहता है: ये किसी एक ग्राहक के लिए आरक्षित GPU आवंटन होते हैं, जिनकी प्राथमिकता के लिए दूसरे उपयोगकर्ताओं के अनुरोधों से प्रतिस्पर्धा नहीं करनी पड़ती। हर मॉडल संसाधन में एक या कई प्रशिक्षण सत्र हो सकते हैं। प्रत्येक सत्र एक ही आधार मॉडल पर किए जाने वाले एक प्रयोग से जुड़ा होता है, जैसे LoRA अडैप्टर का एक सेट। Together ने कहा कि समर्पित GPU आवंटन से बड़े पैमाने के, ज्ञान-प्रधान कार्यों के लिए मॉडल को अनुकूलित करते समय LoRA से आगे बढ़कर पूरे वेट की फाइन-ट्यूनिंग करना भी संभव होता है।
हर सत्र में एक Trainer इंस्टेंस होता है, जो फॉरवर्ड और बैकवर्ड चरणों तथा वेट अपडेट के लिए ज़िम्मेदार होता है। इसके साथ Generator इंस्टेंस होते हैं, जो नीति से रोलआउट चलाते हैं। पर्यवेक्षित फाइन-ट्यूनिंग के लिए लागत बचाने के वास्ते मॉडल संसाधन में शुरुआत में कोई Generator न रखना भी संभव है। उपयोगकर्ता तय करते हैं कि Trainer के पैरामीटर Generator को कब भेजे जाएँ। दोनों घटकों के GPU उपयोग को ऊँचा बनाए रखने के लिए एसिंक्रोनस RL भी समर्थित है, खासकर लंबे एजेंट-आधारित रोलआउट के दौरान।
उपयोगकर्ता LoRA प्रशिक्षण चला सकते हैं, जिसमें एक ही GPU क्षमता साझा करने वाले कई LoRA अडैप्टर शामिल हैं। चुनिंदा मॉडल के लिए पूरे वेट वाले प्रयोग भी किए जा सकते हैं। यह सेवा क्रॉस-एंट्रॉपी, GRPO, CISPO और DPPO समेत मानक लॉस फ़ंक्शन का समर्थन करती है। उपयोगकर्ता प्रशिक्षण का कस्टम उद्देश्य अपने स्थानीय सिस्टम पर भी गणना कर सकते हैं और उसके ग्रेडिएंट Trainer को भेज सकते हैं।
पोस्ट-ट्रेनिंग के दस्तावेज़ के अनुसार, SDK के मुख्य इंटरफ़ेस में एक create मेथड शामिल है, जो मॉडल संसाधन (बिलिंग की इकाई) उपलब्ध कराता है, और एक create_session मेथड, जो उससे प्रशिक्षण सत्र जोड़ता है। इसके बाद हर चरण के लिए ये कॉल की जाती हैं: completions बनाने के लिए sample_batch, ताकि उनका स्कोर किया जा सके; लॉस की गणना और ग्रेडिएंट का बैकप्रोपेगेशन करने के लिए forward_backward; वेट अपडेट करने के लिए optim_step; और Generator प्रतिकृतियों पर नए वेट प्रकाशित करने के लिए weights_sync। SFT और DPO में sample_batch और weights_sync की ज़रूरत नहीं पड़ती, क्योंकि उनमें completions का सैंपल नहीं लिया जाता।
मॉडल संसाधनों का बिल GPU-मिनट के हिसाब से लिया जाता है। Together ने कहा कि प्रयोगों का पैमाना बढ़ते ही प्रशिक्षण की कुल लागत, टोकन-आधारित कीमत से कम हो जाती है। दस्तावेज़ इस मॉडल की तुलना कंपनी की मानक फाइन-ट्यूनिंग सेवा से करता है, जिसमें प्रोसेस किए गए हर टोकन के हिसाब से शुल्क लिया जाता है और काम एक ऐसी जॉब के रूप में चलता है जो पूरा होने तक जारी रहती है तथा बीच में उस पर नियंत्रण नहीं किया जा सकता। इसके विपरीत, पोस्ट-ट्रेनिंग के उपयोगकर्ता हर चरण के मेट्रिक्स देख सकते हैं, लर्निंग रेट बदल सकते हैं, डेटा को नए क्रम में व्यवस्थित कर सकते हैं या अपने तर्क के आधार पर प्रक्रिया रोक सकते हैं।
प्रशिक्षण की स्थिरता और परिनियोजन का रास्ता
Together ने कहा कि यह सेवा प्रशिक्षण और अनुमान इंजन के बीच नीति में बदलाव के कई कारणों को दूर करती है। समान वेट होने के बावजूद संख्यात्मक गणनाओं में मामूली अंतर से RL प्रक्रिया का प्रदर्शन गिर सकता है या वह पूरी तरह विफल हो सकती है। इस समस्या से निपटने के लिए सेवा Rollout Routing Replay जैसी मानक तकनीकों के साथ-साथ प्रशिक्षण की स्थिरता पर कंपनी के शोध से प्राप्त अनुकूलन का उपयोग करती है। कंपनी ने कहा कि उसके रोलआउट इंजन, उसकी सर्विंग प्रणाली वाले ही अनुकूलन इस्तेमाल करते हैं। इनमें कई चरणों वाले एजेंट के लिए बुद्धिमान कैशिंग और रूटिंग, तथा अनुकूलित समानांतर प्रसंस्करण और अनुक्रम-पैकिंग शामिल हैं, जो SFT और RL—दोनों के चरणों को तेज़ करते हैं।
प्रशिक्षण के बाद, कंपनी अब Dedicated Model Inference में कई LoRA अडैप्टर की सर्विंग का समर्थन करती है। इससे उपयोगकर्ता हर प्रशिक्षण रन के लिए अलग प्रोडक्शन परिनियोजन शुरू करने के बजाय, एक ही GPU परिनियोजन में अडैप्टर बदल सकते हैं। Together ने कहा कि कई LoRA अडैप्टर से सैंपलिंग करने के बाद FP4 परिशुद्धता में मर्ज किए गए अनुमान पर स्विच करने पर भी हर प्रशिक्षण चेकपॉइंट अपनी गुणवत्ता बनाए रखता है।
दस्तावेज़ में प्रशिक्षण, मूल्यांकन और प्रोडक्शन में इस्तेमाल के लिए तैयार करने की कार्यप्रणाली बताई गई है: पहले एक ही स्थिर आधार मॉडल पर कई अडैप्टर प्रशिक्षित करें; फिर संभावित अडैप्टर को एक ही मल्टी-LoRA परिनियोजन से जोड़ें और हर अनुरोध में अलग अडैप्टर का नाम देकर उनकी तुलना करें; इसके बाद चुने गए अडैप्टर को उसके अपने परिनियोजन में मर्ज किए गए मोड में तैनात करें। GLM-5.3 और Kimi-K3 के लिए FP4 अनुमान से पहले अडैप्टर को तैयारी के एक चरण से गुज़रना होगा।
ऑनबोर्डिंग, Tinker माइग्रेशन और शुरुआती उपयोगकर्ता
शुरुआत करने के लिए Together SDK का नवीनतम संस्करण और दस्तावेज़ चाहिए। Together ने GitHub पर post-training-cookbook रिपॉज़िटरी में कुकबुक प्रकाशित कीं, जिनमें GSM8K बेंचमार्क पर GRPO ट्रेनिंग, कस्टम लॉस के रूप में लागू DPO और एक ही मॉडल संसाधन में कई LoRA अडैप्टर को प्रशिक्षित करना शामिल है; दस्तावेज़ों में कुकबुक को तैयार लूप वाली Python लाइब्रेरी बताया गया है, जिसके नोटबुक SDK की एसिंक्रोनस कॉल का उपयोग करके एक ही मॉडल संसाधन पर GRPO, SFT और मल्टी-अडैप्टर ट्रेनिंग की प्रक्रिया बताते हैं। Tinker API पर पहले से सेटअप वाली टीमों के लिए, माइग्रेशन का एक तरीका एक import पंक्ति को बदलने के साथ import together.post_training.tinker as tinker, जिसका विवरण माइग्रेशन गाइड में दिया गया है।
शुरुआती पहुँच वाले उपयोगकर्ताओं में से Deel में डेटा साइंस के एसोसिएट डायरेक्टर Anthony Li ने कहा कि प्लेटफ़ॉर्म के नियंत्रण और लचीलेपन की मदद से उनकी टीम कुछ ही घंटों में वास्तविक RL प्रयोग शुरू कर पाई और समान GPU क्षमता पर एक साथ अधिकतम पाँच RL प्रयोग चला पाई। Jack & Jill के संस्थापक इंजीनियर Oliver Normand ने कहा कि उनकी टीम ने ऐसा मॉडल पोस्ट-ट्रेन किया जो अनुमान लगाता है कि हायरिंग मैनेजर किन उम्मीदवारों से मिलना चाहेंगे—यह कंपनी के Jill भर्ती एजेंट द्वारा की जाने वाली खोज का एक मुख्य चरण है। उन्होंने बताया कि ऑफलाइन मूल्यांकन में उनकी टीम ने ओपन-सोर्स मॉडल का इस्तेमाल करके एक क्लोज़्ड-सोर्स मॉडल की गुणवत्ता हासिल की, जबकि उस मॉडल को सेवा देने की लागत काफी कम थी; उन्होंने यह भी कहा कि Together के ग्राहकों के साथ तैनात इंजीनियरों ने वे स्क्रिप्ट लिखीं जिनसे उनकी टीम को पहले परिणाम मिले।
Collinear AI के Jain ने कहा कि बिना किसी रुकावट के स्वयं ऑनबोर्डिंग करने से बड़े पैमाने पर एजेंटिक RL रन शुरू करना आसान हो गया। Together के ग्राहकों के साथ तैनात इंजीनियर पोस्ट-ट्रेनिंग की पूरी प्रक्रिया में उनके साथ काम करते हैं—ओपन मॉडल और एजेंट हार्नेस चुनने से लेकर डेटा और ट्रेनिंग परिवेश, मूल्यांकन और अनुकूलित एंडपॉइंट जारी करने तक।
