Together AI เปิดตัวบริการ Together Post-Training สำหรับสร้างโมเดลแบบกำหนดเอง

เมื่อวันที่ 19 ตุลาคม 2026 Together AI เปิดตัว บริการฝึกต่อยอด Together สำหรับสร้างโมเดลแบบกำหนดเองผ่านกระบวนการเรียนรู้แบบเสริมกำลังและการปรับแต่งแบบมีผู้กำกับดูแลที่ผู้ใช้กำหนดเอง โดยคิดราคาเริ่มต้น 9 ดอลลาร์ต่อชั่วโมงการใช้งาน GPU B200 ในช่วง 6 สัปดาห์แรก

โมเดลที่เปิดให้ใช้ ราคา และการเข้าถึงในช่วงแรก

บริการนี้ออกแบบมาเพื่อสร้างโมเดลแบบกำหนดเอง ทั้งจากรางวัลที่ได้จากสภาพแวดล้อมผ่าน RL และจากข้อมูลกำกับดูแลผ่าน SFT ลูกค้ากำหนดกระบวนการฝึกได้เอง ทั้งข้อมูล สภาพแวดล้อม และชุดเครื่องมือสำหรับเอเจนต์ พร้อมเพิ่มขั้นตอนต่าง ๆ เช่น การบันทึกข้อมูลหรือการประเมินประสิทธิภาพจากภายนอกได้ ขณะที่ Together ร่วมปรับระบบและโครงสร้างพื้นฐานเบื้องหลังให้เหมาะสมเพื่อยกระดับคุณภาพโมเดลและความเร็วในการฝึก Together ระบุว่าพัฒนาบริการนี้ขึ้นเพราะโครงสร้างพื้นฐานสำหรับ RL มีความซับซ้อนมากขึ้น และหลายบริษัทที่อาจได้ประโยชน์จากการฝึกต่อยอดกลับไม่เริ่มต้น หรือเริ่มแล้วต้องหยุดชะงักเพราะภาระด้านโครงสร้างพื้นฐาน

บริการนี้เปิดตัวพร้อมโมเดลแบบเปิดน้ำหนัก ได้แก่ Muse Spark Open, GLM 5.3, Kimi K3 และ Qwen 3.8-27B โดย Together ระบุว่าจะเพิ่มตัวเลือกในอีกไม่กี่สัปดาห์ข้างหน้าให้ครอบคลุมทั้ง LLM รุ่นแนวหน้าและโมเดลขนาดเล็กที่มีประสิทธิภาพสูง ในช่วง 6 สัปดาห์แรก บริการนี้คิดราคาพิเศษที่ 9 ดอลลาร์ต่อชั่วโมงการใช้งาน GPU B200

ก่อนเปิดตัว Together ได้ให้สิทธิ์เข้าถึงล่วงหน้าแก่องค์กรบางแห่งในช่วงหลายเดือนที่ผ่านมา Adit Jain นักวิจัยของ Collinear AI กล่าวว่า ทีมของเขาร่วมมือกับบริษัทมาตั้งแต่เปิดตัวบริการ Post-Training รุ่นเบตาในเดือนเมษายน 2026

ทรัพยากรโมเดลเฉพาะลูกค้าและการคิดค่าบริการตามนาที GPU

การทดลองทั้งหมดทำงานบนสิ่งที่ Together เรียกว่า Model Resources หรือการจัดสรร GPU ให้ลูกค้ารายเดียวโดยเฉพาะ จึงไม่ต้องแข่งขันกับคำขอเร่งด่วนจากผู้ใช้รายอื่น Model Resource แต่ละรายการรองรับ Training Session ได้หนึ่งรายการหรือหลายรายการ โดยแต่ละเซสชันจะตรงกับการทดลองหนึ่งครั้งบนโมเดลฐานเดียวกัน เช่น การใช้ อะแดปเตอร์ LoRA หนึ่งชุด Together ระบุว่าการจัดสรรทรัพยากรเฉพาะลูกค้ายังช่วยให้ปรับแต่งน้ำหนักโมเดลทั้งหมดได้ นอกเหนือจาก LoRA เมื่อนำโมเดลไปปรับใช้กับงานที่ต้องอาศัยองค์ความรู้จำนวนมาก

แต่ละเซสชันประกอบด้วยอินสแตนซ์ Trainer ซึ่งทำหน้าที่คำนวณขั้นตอนเดินหน้าและย้อนกลับ รวมถึงปรับปรุงน้ำหนักโมเดล ควบคู่กับอินสแตนซ์ Generator ที่ดำเนินการสร้างผลลัพธ์จากนโยบาย สำหรับการปรับแต่งแบบมีผู้กำกับดูแล ทรัพยากรโมเดลสามารถเริ่มต้นโดยไม่มี Generator เลยเพื่อประหยัดค่าใช้จ่าย ผู้ใช้เป็นผู้กำหนดว่าจะส่งพารามิเตอร์ของ Trainer ไปยัง Generator เมื่อใด และระบบรองรับ RL แบบอะซิงโครนัสเพื่อให้ใช้ GPU ของทั้งสององค์ประกอบได้อย่างเต็มประสิทธิภาพ โดยเฉพาะระหว่างการสร้างผลลัพธ์แบบเอเจนต์ที่ใช้เวลานาน

ผู้ใช้สามารถฝึก LoRA รวมถึงใช้อะแดปเตอร์ LoRA หลายตัวร่วมกันบน GPU ที่มีความจุเท่ากัน ตลอดจนทำการทดลองปรับน้ำหนักโมเดลทั้งหมดกับโมเดลบางรุ่นได้ บริการรองรับฟังก์ชันการสูญเสียมาตรฐาน เช่น cross-entropy, GRPO, CISPO และ DPPO อีกทั้งผู้ใช้ยังคำนวณเป้าหมายการฝึกแบบกำหนดเองในเครื่อง แล้วส่งกราดิเอนต์ไปยัง Trainer ได้

ตามที่ระบุไว้ในเอกสารประกอบการฝึกต่อยอด ส่วนหลักของ SDK ประกอบด้วยเมธอด create ซึ่งจัดเตรียมทรัพยากรโมเดล (หน่วยที่ใช้คิดค่าบริการ) และเมธอด create_session ซึ่งผูกเซสชันการฝึกเข้ากับทรัพยากรนั้น จากนั้นจึงเรียกใช้เมธอดในแต่ละขั้น ได้แก่ sample_batch เพื่อสร้างข้อความที่โมเดลทำต่อให้เสร็จสมบูรณ์สำหรับนำไปให้คะแนน, forward_backward เพื่อคำนวณค่าการสูญเสียและส่งกราดิเอนต์ย้อนกลับ, optim_step เพื่อปรับปรุงน้ำหนัก และ weights_sync เพื่อเผยแพร่น้ำหนักใหม่ไปยังสำเนา Generator ส่วน SFT และ DPO จะข้าม sample_batch และ weights_sync เพราะไม่ได้สุ่มตัวอย่างข้อความที่โมเดลทำต่อให้เสร็จสมบูรณ์

คิดค่าบริการทรัพยากรโมเดลตามนาที GPU และ Together ระบุว่าค่าใช้จ่ายในการฝึกโดยรวมจะต่ำกว่าการคิดราคาตามโทเค็นทันทีที่การทดลองขยายขนาด เอกสารเปรียบเทียบบริการนี้กับบริการปรับแต่งโมเดลมาตรฐานของบริษัท ซึ่งคิดค่าบริการตามจำนวนโทเค็นที่ประมวลผล และทำงานเป็นงานที่ดำเนินต่อไปจนเสร็จโดยไม่มีการควบคุมระหว่างทาง ส่วนผู้ใช้บริการฝึกต่อยอดสามารถตรวจสอบเมตริกในแต่ละขั้น เปลี่ยนอัตราการเรียนรู้ สับเปลี่ยนข้อมูล หรือหยุดการทำงานตามตรรกะที่กำหนดเองได้

เสถียรภาพในการฝึกและขั้นตอนสู่การนำไปใช้งาน

Together ระบุว่าบริการนี้ขจัดสาเหตุหลายประการของการเบี่ยงเบนของนโยบายระหว่างกลไกการฝึกกับกลไกการอนุมาน โดยใช้เทคนิคมาตรฐาน เช่น Rollout Routing Replay ควบคู่กับการปรับปรุงที่ต่อยอดจากงานวิจัยด้านเสถียรภาพในการฝึกของบริษัท ความคลาดเคลื่อนเชิงตัวเลขเพียงเล็กน้อยจากน้ำหนักที่เหมือนกันอาจทำให้การทำงานของ RL มีประสิทธิภาพต่ำกว่าที่ควรหรือพังลงได้ บริษัทยังระบุด้วยว่ากลไกสร้างผลลัพธ์ของบริษัทใช้การปรับปรุงแบบเดียวกับชุดระบบให้บริการโมเดล โดยมีระบบแคชอัจฉริยะและการกำหนดเส้นทางสำหรับเอเจนต์ที่โต้ตอบหลายรอบ รวมถึงการประมวลผลแบบขนานและการจัดชุดลำดับที่ผ่านการปรับให้เหมาะสม ซึ่งช่วยเร่งทั้งขั้นตอน SFT และ RL

หลังการฝึก บริษัทได้เพิ่มการรองรับการให้บริการอะแดปเตอร์ multi-LoRA ใน Dedicated Model Inference ทำให้ผู้ใช้สลับอะแดปเตอร์ได้ภายในการติดตั้งใช้งาน GPU เดียว แทนที่จะต้องเริ่มการติดตั้งใช้งานจริงแยกกันสำหรับการฝึกแต่ละครั้ง Together ระบุว่าจุดตรวจสอบการฝึกแต่ละจุดยังคงรักษาคุณภาพไว้ได้เมื่อนำไปให้บริการ แม้จะเปลี่ยนจากการสุ่มตัวอย่างแบบ multi-LoRA ไปเป็นการอนุมานด้วยโมเดลที่ผสานน้ำหนักแล้วในความละเอียด FP4

เอกสารอธิบายขั้นตอนการฝึก ประเมินผล และเตรียมใช้งานจริงไว้ดังนี้ ฝึกอะแดปเตอร์หลายตัวกับโมเดลฐานเดียวที่ตรึงน้ำหนักไว้ จากนั้นนำตัวเลือกเหล่านั้นไปไว้ในการติดตั้งใช้งานแบบ multi-LoRA เดียวกัน แล้วเปรียบเทียบโดยระบุชื่ออะแดปเตอร์ที่แตกต่างกันในแต่ละคำขอ ก่อนนำตัวเลือกที่ชนะไปใช้งานในโหมดผสานน้ำหนักผ่านการติดตั้งใช้งานของตัวเอง สำหรับ GLM-5.3 และ Kimi-K3 ต้องนำอะแดปเตอร์เข้าสู่ขั้นตอนเตรียมความพร้อมสำหรับการอนุมาน FP4 ก่อน

การเริ่มต้นใช้งาน การย้ายจาก Tinker และผู้ใช้กลุ่มแรก

การเริ่มต้นใช้งานต้องใช้ Together SDK เวอร์ชันล่าสุดและเอกสารประกอบ Together เผยแพร่ชุดตัวอย่างโค้ดไว้ในรีโพซิทอรี post-training-cookbook บน GitHub ซึ่งครอบคลุมการฝึก GRPO บนเกณฑ์มาตรฐาน GSM8K การนำ DPO มาใช้เป็นฟังก์ชันการสูญเสียแบบกำหนดเอง และการฝึกอะแดปเตอร์ LoRA หลายตัวภายในทรัพยากรโมเดลเดียวกัน เอกสารระบุว่าชุดตัวอย่างนี้เป็นไลบรารี Python ที่รวบรวมลูปการทำงานสำเร็จรูป โดยโน้ตบุ๊กจะอธิบายขั้นตอน GRPO, SFT และการฝึกหลายอะแดปเตอร์บนทรัพยากรโมเดลเดียว โดยใช้การเรียกแบบอะซิงโครนัสของ SDK สำหรับทีมที่มีการตั้งค่าบน Tinker API อยู่แล้ว มีแนวทางการย้ายระบบที่แทนที่บรรทัด import หนึ่งบรรทัดด้วย import together.post_training.tinker as tinker, ซึ่งมีรายละเอียดอยู่ในคู่มือการย้ายระบบ

ในบรรดาผู้ใช้กลุ่มแรกที่ได้เข้าถึงแพลตฟอร์ม Anthony Li รองผู้อำนวยการฝ่ายวิทยาศาสตร์ข้อมูลของ Deel กล่าวว่า การควบคุมและความยืดหยุ่นของแพลตฟอร์มช่วยให้ทีมของเขาเริ่มทำการทดลอง RL กับงานจริงได้ภายในเวลาไม่กี่ชั่วโมง และทำการทดลอง RL พร้อมกันได้สูงสุดห้ารายการบนทรัพยากร GPU ชุดเดียวกัน Oliver Normand วิศวกรผู้ร่วมก่อตั้ง Jack & Jill กล่าวว่า ทีมของเขาฝึกโมเดลเพิ่มเติมเพื่อคาดการณ์ว่าผู้จัดการฝ่ายสรรหาต้องการพบผู้สมัครคนใด ซึ่งเป็นขั้นตอนสำคัญในการค้นหาที่ดำเนินการโดยเอเจนต์สรรหาบุคลากร Jill ของบริษัท และทำคะแนนคุณภาพได้เทียบเท่ากับโมเดลแบบปิดในการประเมินแบบออฟไลน์ โดยใช้โมเดลโอเพนซอร์สที่มีค่าใช้จ่ายในการให้บริการต่ำกว่ามาก เขากล่าวเพิ่มเติมว่า วิศวกรของ Together ที่ทำงานร่วมกับลูกค้าโดยตรงเป็นผู้เขียนสคริปต์ซึ่งทำให้ทีมได้ผลลัพธ์ชุดแรก

Jain จาก Collinear AI กล่าวว่า การเริ่มต้นใช้งานด้วยตนเองที่ราบรื่นช่วยให้เปิดใช้งานการรัน RL แบบเอเจนต์เต็มรูปแบบได้อย่างง่ายดาย วิศวกรของ Together ที่ทำงานร่วมกับลูกค้าโดยตรงจะทำงานเคียงข้างลูกค้าตลอดวงจรการฝึกเพิ่มเติมหลังการฝึกทั้งหมด ตั้งแต่การเลือกโมเดลเปิดและชุดเครื่องมือสำหรับเอเจนต์ ไปจนถึงข้อมูลและสภาพแวดล้อมการฝึก การประเมินผล และการเปิดตัวปลายทางที่ปรับแต่งให้เหมาะสม