Together AI پلتفرم تنظیم دقیق را با پشتیبانی بینایی و استدلال ارتقا می‌دهد

Joerg Hiller 1404/12/27 18:27

Together AI فراخوانی ابزار، ردیابی استدلال و تنظیم دقیق بینایی-زبان را به پلتفرم خود اضافه می‌کند، با افزایش 6 برابری توان عملیاتی برای مدل‌های با بیش از 100 میلیارد پارامتر.

Together AI پلتفرم تنظیم دقیق را با پشتیبانی بینایی و استدلال ارتقا می‌دهد

Together AI در 27 اسفند 1404، گسترش عمده‌ای را در سرویس تنظیم دقیق خود ارائه داد و پشتیبانی بومی برای فراخوانی ابزار، ردیابی استدلال و مدل‌های بینایی-زبان را اضافه کرد—قابلیت‌هایی که نقاط دردناک پایدار را برای تیم‌های ساخت سیستم‌های تولید هوش مصنوعی رفع می‌کنند.

این به‌روزرسانی در حالی منتشر می‌شود که گزارش شده شرکت در حال مذاکره برای دور تامین مالی است که ارزش آن را 7.5 میلیارد دلار تعیین می‌کند، که بیش از دو برابر ارزش‌گذاری 3.3 میلیارد دلاری آن در سری B بهمن 1403 است.

آنچه واقعاً جدید است

پلتفرم اکنون سه دسته از تنظیم دقیق را مدیریت می‌کند که قبلاً نیاز به راه‌حل‌های موقت پراکنده داشتند:

فراخوانی ابزار با استفاده از طرح‌های سازگار با OpenAI، پشتیبانی سرتاسری دریافت می‌کند. سیستم تأیید می‌کند که هر فراخوانی ابزار در داده‌های آموزشی قبل از شروع آموزش با توابع اعلام شده مطابقت دارد—یک محافظ در برابر پارامترهای توهم‌زا و عدم تطابق طرح که گردش‌های کاری عاملی را آزار می‌دهد.

تنظیم دقیق استدلال به تیم‌ها اجازه می‌دهد مدل‌ها را بر روی ردیابی‌های تفکر خاص دامنه با استفاده از فیلد اختصاصی reasoning_content آموزش دهند. این مهم است زیرا فرمت‌های استدلال در خانواده‌های مدل به شدت متفاوت است و آموزش ثابت را بدون استانداردسازی دشوار می‌کند.

تنظیم دقیق بینایی-زبان از مجموعه داده‌های ترکیبی که نمونه‌های تصویر-متن و فقط متن را ترکیب می‌کنند، پشتیبانی می‌کند. به طور پیش‌فرض، رمزگذار بینایی منجمد باقی می‌ماند در حالی که لایه‌های زبانی به‌روزرسانی می‌شوند، اگرچه تیم‌ها می‌توانند آموزش مشترک را زمانی که تشخیص الگوی بصری نیاز به بهبود دارد، فعال کنند.

ارتقا زیرساخت

فراتر از قابلیت‌های جدید، Together AI ادعا می‌کند دستاوردهای قابل توجه عملکردی را از بهینه‌سازی پشته آموزشی خود برای معماری‌های ترکیبی متخصصان به دست آورده است. شرکت کرنل‌های SonicMoE را که عملیات حافظه را با محاسبات همپوشانی می‌دهند، به علاوه کرنل‌های CUDA سفارشی برای محاسبه زیان یکپارچه کرد.

نتایج بر اساس اندازه مدل متفاوت است: مدل‌های کوچکتر تقریباً 2 برابر بهبود توان عملیاتی را می‌بینند، در حالی که معماری‌های بزرگتر مانند Kimi-K2 به افزایش 6 برابری می‌رسند. پلتفرم اکنون مجموعه داده‌ها تا 100GB و مدل‌های بیش از 100 میلیارد پارامتر را مدیریت می‌کند.

مدل‌های جدید موجود برای تنظیم دقیق شامل انواع Qwen 3.5 (تا 397 میلیارد پارامتر)، Kimi K2 و K2.5، و GLM-4.6 و 4.7 است.

افزودنی‌های عملی

به‌روزرسانی شامل برآورد هزینه قبل از اجرای کار و ردیابی پیشرفت زنده با برآوردهای تکمیل پویا است—ویژگی‌هایی که ساده به نظر می‌رسند اما از غافلگیری‌های بودجه‌ای که آزمایش را پرخطر می‌کند، جلوگیری می‌کنند.

XY.AI Labs، که توسط Together AI به عنوان نمونه مشتری ذکر شده است، گزارش داد که از چرخه‌های تکرار هفتگی به روزانه منتقل شده، در حالی که هزینه‌ها را 2 تا 3 برابر کاهش داده و دقت را از 77% به 87% با استفاده از API های تنظیم دقیق و استقرار پلتفرم بهبود بخشیده است.

زمینه بازار

زمان‌بندی با افزایش هزینه‌های زیرساخت هوش مصنوعی هماهنگ است. تامین مالی شرکت نوآفرین در بخش هوش مصنوعی در دو ماه اول 2026 به 220 میلیارد دلار رسید، طبق گزارش‌های اخیر، که بخش زیادی از این سرمایه به سمت زیرساخت آموزش و استنتاج جریان می‌یابد.

Together AI خود را به عنوان جایگزینی برای ساخت زیرساخت هوش مصنوعی داخلی قرار می‌دهد و دسترسی به بیش از 200 مدل منبع باز را از طریق پلتفرم خود ارائه می‌دهد. پیشنهاد شرکت—حذف پیچیدگی زیرساخت تا تیم‌ها بتوانند بر توسعه محصول تمرکز کنند—اکنون به گردش‌های کاری پیچیده‌تر پس از آموزش گسترش یافته است که قبلاً حوزه آزمایشگاه‌های تحقیقاتی دارای منابع خوب بود.

منبع تصویر: Shutterstock