Mira Murati, die zuvor als technische Direktorin bei OpenAI tätig war, gründete gemeinsam mit mehreren renommierten Forschern das Startup Thinking Machines Lab. Nun hat dieses Team sein erstes Produkt vorgestellt – Tinker. Dabei handelt es sich um eine flexible API, mit der Entwickler und Forscher fortschrittliche Modelle künstlicher Intelligenz anpassen können, ohne sich um eine komplexe Infrastruktur kümmern zu müssen. Tinker eröffnet damit die Möglichkeit, mit Modellen zu experimentieren, wobei die Nutzer die Algorithmen und Daten kontrollieren, während das Unternehmen das verteilte Training übernimmt.
Was Tinker Entwicklern bietet
Tinker unterstützt Fine-Tuning sowohl mit überwachten Methoden als auch mit bestärkendem Lernen bei Modellen wie Llama oder Qwen. Nutzer können die Modelle mithilfe von einfachem Python-Code an spezifische Aufgaben anpassen, beispielsweise an die Lösung mathematischer Probleme oder die Analyse chemischer Daten. Der Wechsel zwischen kleinen und großen Modellen wie Qwen-235B-A22B erfordert lediglich die Änderung einer einzigen Zeichenfolge im Code. Tinker läuft als verwalteter Dienst auf den internen Clustern von Thinking Machines Lab, wo sich das Unternehmen um die Planung, Ressourcenzuweisung und Wiederherstellung nach Ausfällen kümmert. Durch den Einsatz von LoRA (niedrigrangige Adaption) nutzen die Trainingsläufe denselben Pool an Rechenressourcen, was die Kosten senkt.
Werkzeuge und Unterstützung für Nutzer
Die Tinker-API stellt grundlegende Funktionen wie forward_backward zur Berechnung von Gradienten, optim_step zur Aktualisierung von Gewichten, sample zur Generierung von Tokens und save_state zum Speichern des Trainingszustands bereit. Zusätzlich hat das Unternehmen die Open-Source-Bibliothek Tinker Cookbook veröffentlicht, die moderne Implementierungen von Post-Training-Methoden enthält. Diese Werkzeuge helfen dabei, ohne unnötige Details gute Ergebnisse zu erzielen. Die unterstützten Modelle reichen von Qwen3-4B-Instruct-2507 bis Llama-3.1-70B, einschließlich Mixture-of-Experts-Modellen.
Erste Nutzer und ihre Projekte
Bereits jetzt wird Tinker von Gruppen an Universitäten wie Princeton, Stanford und Berkeley sowie von Redwood Research getestet. So trainierte beispielsweise das Princeton Goedel Team Modelle für mathematische Beweise, die Rotskoff Chemistry Group in Stanford passte ein Modell für chemische Schlussfolgerungen an, die SkyRL Group in Berkeley experimentierte mit asynchronem Off-Policy-RL (bestärkendem Lernen) in Multi-Agenten-Umgebungen mit Werkzeugen, und Redwood Research nutzte Tinker für RL mit Qwen3-32B bei anspruchsvollen Aufgaben zur KI-Kontrolle.
Verfügbarkeit und Zukunft
Thinking Machines Lab nimmt ab heute Anträge auf einen frühen Zugang entgegen, der zunächst kostenlos ist. In den kommenden Wochen plant das Unternehmen, nutzungsbasierte kostenpflichtige Tarife einzuführen. Das Unternehmen erhielt eine Seed-Finanzierung in Höhe von 2 Milliarden US-Dollar (etwa 46 Milliarden CZK) und erreichte eine Bewertung von 12 Milliarden US-Dollar (rund 276 Milliarden CZK), was das große Interesse der Investoren belegt. Tinker setzt damit auf eine Zukunft, in der nicht die größte universelle KI entscheidend ist, sondern die einfache Erstellung vieler hochspezialisierter Modelle. Wenn Sie Forscher sind oder eine Organisation vertreten, können Sie sich auf der Warteliste eintragen oder das Team direkt kontaktieren.
