Together AI מרחיבה את פיין-טיונינג עם מודלים חדשים, מעקב חי והוזלה של עד 70%

גל מודלים חדש

Together AI משיקה עדכון משמעותי לפלטפורמת הפיין-טיונינג שלה, שמוסיף תמיכה בשורת מודלי משקולות-פתוחים חדשים, בהם GLM-5.3 שמגיע ל-88.2 בבנצ'מרק Terminal-Bench 2.1, נקודה אחת מהמודלים הקנייניים המובילים, לצד כלי מעקב ניסויים בזמן אמת, השוואת ריצות מקבילות, עצירה מוקדמת והוזלת מחירים של 30%-70% בדגמים נבחרים.

רשימת המודלים החדשים ארוכה וכוללת את סדרת GLM 5.1-5.3, שתי גרסאות של DeepSeek-V4-Flash, Kimi K2.7-Code ו-Kimi 2.6, משפחת Qwen 3.5 מ-0.8B עד 27B פרמטרים לצד Qwen 3.6 ו-3.8 בגדלים שונים, ו-Gemma 4 בשתי תצורות, 31B צפוף ו-26B-A4B מסוג MoE. Together מטפלת במורכבות הארכיטקטונית מאחורי הקלעים, כך שמפתחים שולחים משימת אימון ומקבלים מודל מכוון בלי להתעסק בפרטי המימוש של כל ארכיטקטורה.

מעקב ניסויים בזמן אמת

בצד הניסויים, הפלטפורמה רושמת כעת מטריקות בכל צעד אימון והערכה, לוס, נורמת גרדיאנט, learning rate, וחושפת אותן ב-API, CLI, דשבורד ו-SDK של פייתון. אפשר להשוות כמה ריצות על אותו גרף בזמן שהן רצות, למשוך את הסדרות הגולמיות למחברת או למערכות פנימיות, ולעצור אוטומטית כשלוס הוולידציה נעצר, בלי לפתוח עשרות טאבים בדפדפן.

Expert LoRA: נוגעים בשכבות הידע

החידוש הטכני המעניין ביותר הוא Expert LoRA: במודלי Mixture-of-Experts, מעל 90% מהפרמטרים והידע יושבים בשכבות המומחים, ו-LoRA סטנדרטי מקפיא אותן ומחבר אדפטרים רק לשכבות הקשב. כעת אפשר להצמיד אדפטרים גם למומחים עצמם, כך שהאימון נוגע בשכבות שבהן הידע באמת מאוחסן. Together הדגימה את זה על 200 עובדות מומצאות שהמודלים לא הכירו, אדפטרים שכללו את שכבות המומחים זכרו אותן טוב משמעותית מגרסת הבסיס.

הוזלה ושרשרת מלאה

הוזלת המחירים של 30%-70% על דגמים נבחרים מצטרפת למגמה של ירידת עלויות הפיין-טיונינג בענן, והופכת ניסויים בקנה מידה גדול לנגישים יותר לצוותים קטנים. יחד עם יכולות התצוגה המקדימה של דאטה-סטים לפני אימון, השרשרת, מבדיקת נתונים, דרך מעקב חי, ועד השוואה ובחירת צ'קפוינט, נעשית כולה בתוך פלטפורמה אחת בלי לעבור בין כלים.

תשתית שמדביקה את הקצב

הקצב שבו משתחררים מודלי משקולות-פתוחים חזקים מחייב תשתית שמדביקה את הפער בין פרסום מודל לייצור. Together ממצבת את עצמה כשכבת ההפשטה שסופגת את מורכבות הארכיטקטורות המשתנות, MoE, קשב דליל, גדלים משתנים, ומאפשרת לצוותים להתמקד בנתונים ובמתכון האימון במקום בהנדסת מערכות.