Tinker 结束内测全面开放：支持微调 Kimi K2 与视觉输入

想要微调一个顶级大模型，最让人头疼的往往不是准备数据，而是等资格名单、啃各家互不相通的专有接口。

Thinking Machines 宣布旗下模型微调平台 Tinker 正式结束测试排队，全面向公众开放。伴随这次全面上线的，还有四个实打实的功能更新：支持万亿参数推理模型 Kimi K2 Thinking、兼容 OpenAI API 的推理调用、以及基于 Qwen3-VL 的视觉输入微调。

视觉模型入场，分类任务直接变生成

Tinker 这次一口气引入了两个视觉多模态模型，分别是 Qwen3-VL-30B-A3B-Instruct 和参数更大的 Qwen3-VL-235B-A22B-Instruct。用户可以直接把图片和文本拼接在一起，塞进平台做监督微调或强化学习微调。

输入格式做得很直观，只需把图片的字节数据打包成图像块，和文本编码块交错拼在一起就能发给模型。不管是处理常规照片、软件截图还是架构图表，都不需要自己写复杂的视觉特征转换代码。

为了展示多模态微调的效果，官方还做了一组对比实验。他们把 Qwen3-VL-235B 当作图像分类器来微调，让模型看到图片后直接输出类别名称，测试了 Caltech 101、Stanford Cars、Oxford Flowers 和 Oxford Pets 这四个经典数据集。

对比的基准是传统纯视觉模型 DINOv2-base。实验发现，在每个类别只有单个样本的极端少样本场景下，Qwen3-VL 凭借自带的通用语言与常识先验，分类准确率明显压过了额外接分类头的 DINOv2。

除了视觉模型，Tinker 这次还上线了万亿参数的 Kimi K2 Thinking。这是目前该平台支持的最大模型，专门针对长思维链推理和外部工具调用场景进行了优化。

边训练边调用，直接套用 OpenAI 接口

另一个让工程落地省事不少的改进是推理接口的统一。以往调用 Tinker 模型需要走平台特定的采样函数，而现在它提供了一套兼容 OpenAI API 的调用框架。

开发者只需要在模型名称里传入特定的检查点路径，就可以直接用现成的 OpenAI 客户端发起请求。更方便的是，哪怕模型当前还在训练过程中，也能通过指定路径立即采样看效果。

这意味着只要原本的项目基于 OpenAI 接口搭建，不需要重构整套评测或业务管道，就能把 Tinker 正在微调的模型插拔进去。

为什么重要

对开发者和中小团队来说，这次开放把微调门槛实打实地拉低了一大截。以往要想玩转万亿参数推理模型或超大视觉模型，光是自建分布式训练环境和接口网关就能把人劝退，现在直接在 Tinker 上点开就能开工。

兼容 OpenAI API 这一步走得相当聪明。现在市面上大量评估工具、Agent 框架和现成工作流都默认绑死在 OpenAI 接口规范上，Tinker 顺水推舟支持了这个协议，甚至允许在模型训练的中途直接抽样，省去了工程师自己搭评估脚本的力气。

从技术路线上看，用 VLM 做图像分类并和 DINOv2 对比的做法也很有说服力。在很多企业真实业务里，标注数据极其稀缺，动辄几百张图就要上线，多模态大模型靠自带的语义先验搞定少样本分类，比从头训练纯视觉头要省心得多。

不过这也存在隐患。万亿参数模型和 235B 级别的视觉 MoE 跑起来算力成本并不低，分类任务用自回归生成虽然泛化好，但推理时延和算力消耗远非轻量级视觉模型可比，大家在上生产环境前还是得仔细算算账。