1人顶1个Infra团队！OpenAI前CTO新招，让大模型训练跌成白菜价

当大模型竞争转向后训练，继续为闲置显卡烧钱无异于「慢性自杀」。如今，按Token计费的Serverless模式，彻底终结了算力租赁的暴利时代，让算法工程师真正拥有了定义物理世界的权利。

大模型训练，正从「作坊炼丹」进化为「工业微调」！

当OpenAI前CTO Mira Murati创立的Thinking Machines Lab推出Tinker时，一切都变了。

通过将训练拆解为forward、backward等⼀系列基本原语，算法设计终于不再受限于基础设施。

现在，训练大模型就像「函数调用」一样简单。

紧跟前沿，潞晨云微调SDK正式发布！

这是国内首个兼容Tinker范式、且全面开放的Serverless微调平台。

针对复杂且昂贵的强化学习，给出了更具成本优势的工业级解法：

• 零门槛：开发者无需囤积显卡。
• 全透明：Rollout → Reward → Update，全流程按Token计价。
• 极高效：拒绝算力浪费，让每一分钱都花在产生梯度的「刀刃」上。

拥抱后训练与RL

算法层与底层算力架构的解耦

随着OpenAI o1在推理能力上的突破，业界逐渐形成共识：

大模型的能力突破已不再单纯依赖预训练（Pre-training）阶段的参数堆砌，后训练（Post-Training）特别是强化学习正成为决定模型实用价值的核心战场。

以DeepSeek‑R1为例，仅靠强化学习训练，模型在AIME数学推理基准上的pass@1从15.6%提升至77.9%，充分展示了RL在低数据量条件下即可实现大幅能力跃升，迅速成为后训练赛道的新范式。

然而，摆在算法工程师面前的问题依旧严峻。

强化学习涉及到更为复杂的系统设计，训练过程中存在一系列的问题，如多个模型的优化，数据的传递，以及模型权重的传递；一系列工程化的工作，给算法的设计带来了更多的困难，同时也对基础设施提出了更高的要求。

Tinker的出现，就是为了解决这个问题：把繁杂训练变成标准易用的API。

潞晨云把这一范式写进底层假设，算法设计与基础设施解耦——

开发者只负责定义数据与Loss函数，底层的异构集群调度、并行策略优化、容错运维等应被封装为基础设施服务，对开发者实现全托管与无感支持。

致敬创新，更致力于落地。

潞晨云微调SDK，直接兼容Tinker接口。

它在「零代码」与「裸机手写」之间，找到了最佳平衡点。从此，从算法灵感到模型落地，再无工程壁垒。

如今，开发者可以把研究精力和算力成本从集群运维还原至算法本身，感受「本地写码，云端计算」的「训练即服务（Training as a Service）」流畅体验。

颠覆性人效比

1名算法工程师顶替庞大Infra团队

潞晨云微调 SDK 的核心思路可以概括为：算法工程师定义算法逻辑，潞晨云搞定Infra。

在传统的开发中，用户往往要花大量精力去租赁合适的算力集群、管理环境配置、调训练框架和集群运维。

但潞晨云将大模型训练拆解成了一组标准的函数原语，打通了从SFT到RL的全链路：

• Forward & Backward：处理前向传播与梯度计算
• Optimizer Step：执行权重更新策略
• Sample (Rollout)：做推理生成和评估，使用户不仅可以完成SFT，更能轻松构建PPO、GRPO、DPO等复杂的强化学习（RLHF/RLAIF）训练流
• Save State：管理模型检查点与状态保存

这意味着，用户可以在本地熟悉的Jupyter Notebook或IDE里，用最标准的Python语法像搭积木一样自由组合，掌控训练逻辑的细节。

这种模式带来了颠覆性的「人力效能比」提升——

它将原本需要运维工程师、Infra工程师、平台工程师和算法工程师紧密配合的庞大团队，简化为了「一个算法工程师」的独立闭环。

用户不再被底层繁杂的基建拖累，不再背负多职能的枷锁，也不再是黑盒填参的被动执行者，而是能够独立驾驭大规模训练流的主动设计师。

无论是监督微调（SFT）还是更复杂的强化学习（RL）Pipeline，都能通过组合这些原子函数来灵活构建。

为什么这种体验如此丝滑？

为了实现极致的流畅度，潞晨云基于现有的GPU云服务架构实现了一套完整的后端系统。

在具体实现中，潞晨云采⽤控制⾯与计算⾯分离设计，通过统⼀API Server管理跨地域的多个GPU计算集群，实现多云部署能⼒。

核⼼采⽤基于Future模式的异步API，所有训练操作⽀持⾮阻塞调⽤，⽤⼾⽆需等待GPU计算完成即可继续执⾏后续逻辑。

潞晨云微调SDK还具备智能队列系统。

即使在资源洪峰期，任务也会自动进入持久化队列（Persistence Queue），一旦底层资源可用，毫秒级启动：

• 队列等待期间0计费
• 仅对实际prefill + sample + train的Token量收费

彻底告别资源闲置浪费，让用户的每一分钱都用在产生梯度的刀刃上。

模型微调算力零售革命

从包机租赁到按Token计费

如果说「易用性」是后训练平台的入场券，那么「成本结构」则是决定谁能走得更远的护城河。

在传统云主机的「包机/时租」模式中，用户一直在为「过程」买单——无论是在加载数据、调试代码，还是仅仅在思考Loss函数，只要占用了显卡，计费表就在跳动。

这种模式下，开发过程中有一半以上的预算都浪费在了这些没有实际产出的「垃圾时间」里。

潞晨云为微调大模型场景引入了Serverless架构，推行「按Token计费」的商业模式，将微调场景的算力服务切分到了最细的颗粒度：

• 为价值付费

就像使用推理API一样，用户只需为Prefill（输入）、Sample（推理输出）和Train（训练）产生的有效计算Tokens量付费。

• 其他环节全免费

本地代码调试、环境配置、数据预处理、模型Checkpoint保存……这些在传统租卡模式下分秒必争的环节，在潞晨云全部免费。

• 极致性价比

通常，RL需要同时维护高吞吐的推理集群（vLLM）和训练集群，算力成本极高。

但在潞晨云上，实测基于官方Cookbook的math_rl recipe跑通包含Rollout采样、Reward评分和PPO更新的完整RL流程（~300 steps），总算力成本仅8.61元。

这意味着，个体开发者也能低成本复现RLHF/RLAIF探索。

技术落地的三个场景

SFT与RL同时开箱即用

这种新模式，也将彻底改变不同领域开发者的工作流：

• 科研场景：告别资源焦虑

学术界，时间与算力往往是最紧缺的资源。研究人员不仅要面对繁琐的集群运维（Slurm/Docker 配置），还要应对昂贵的实验复现成本。

潞晨云微调SDK支持「白盒级」的科研探索，全面兼容Tinker API。

研究人员可以自定义Evaluation逻辑、通过Forward/Backward，Sample等原语精确控制后训练和强化学习Pipeline，而无需关心底层的分布式实现，让实验复现成本大幅降低。

• 创业与独立开发：极速验证MVP

对于初创团队，「快」是生存根本。利用潞晨云微调SDK的Serverless特性，开发者无需等待资源排期。

配合极低的Token成本，实测从pip install到跑通一个包含1000条样本的SFT或RL微调实验，仅需数分钟。

这种极致的边际成本，让创业者敢于在有限预算下快速迭代Reward模型，实现真正的「低成本试错」。

• 工业级落地：复杂架构突围

在金融、医疗等垂直领域的工业应用中，已有微调API往往难以应对复杂的异构架构与RLHF/RLAIF需求。

潞晨云微调SDK允许工程师通过train_step自由定义Loss逻辑与强化学习奖励函数。

开发者拥有对模型权重与训练细节的完整控制权，实现端到端定制。

极简实战

三步上手

没有复杂的集群配置，没有冗长的Docker构建。

使用潞晨云微调SDK，训练一个大模型就像写普通Python脚本一样简单：

1. Install & Import:

pip install hpcai

2. Initialize Client：

目前已支持Qwen3系列（4B - 32B），更多模型即将上线。

import hpcai

# 初始化 LoRA 训练客户端，无需配置复杂的分布式参数

training_client = service_client.create_lora_training_client(

  base_model="Qwen/Qwen3-4B",

  rank=32

)

3. Define Training Loop & Run：

像在本地写PyTorch一样，拥有对训练循环的完整控制权。

# 训练循环：完全可控

for step in range(target_steps):

  # 前向与反向传播

  fwd_bwd = training_client.forward_backward(batch, "cross_entropy")

  # 优化器步进

  optim = training_client.optim_step(adam_params)

  # 实时获取 Loss 进行监控

  loss = fwd_bwd.result().metrics.get("loss:mean")

⽬前，微调SDK已覆盖Qwen3系列模型（4B、8B、14B、32B），支持监督学习和强化学习训练方式，并将持续扩展更多模型能力与细分落地场景，大家也可以向官方提交需求push更新。

平台还准备了开箱即用的HPC-AI Cookbook，提供包括DeepSeek-R1 GRPO算法、基于Verifier的数学推理、自定义Reward函数等复杂RL场景的完整代码实现。

开发者无需从零构建复杂的PPO/GRPO流水线，只需复制Cookbook中的「配方」，运行轻量级本地train.py脚本，即可驱动云端复杂的分布式RL训练流，在潞晨云上复现具备复杂逻辑推理能力的SOTA模型。

现在体验

后训练正从学术支线升级为工程主线，AI基础设施的终极形态应该是「零认知负荷」——

开发者只需描述数据与算法，其余（租卡、配环境、并行策略、运维调度、故障自愈，乃至RL涉及的一系列工程化的工作）全部下沉到用户无感。

当GPU闲置成本趋近于0，环境配置时间趋近于0，长序列RLHF也能按Token即时计费，应用创新效率直接逼近算力上限。

潞晨云微调SDK今日起全量开放：

• 无需白名单，无需预约

• 前150名专属链接注册即得30元使用额度（可点击【阅读原文】跳转）：https://cloud.luchentech.com/account/signup?invitation_code=XZY

把资源弹性交给平台，把算法自由度留给自己，每一分钱都用在产生梯度的刀刃上！

立即体验：

https://cloud.luchentech.com/fine-tuning 

使用文档：

https://cloud.luchentech.com/doc/docs/finetune-sdk/ 

Tinker SDK： 

https://github.com/thinking-machines-lab/tinker 

DeepSeek-R1：

https://arxiv.org/pdf/2501.12948

文章来自于“新智元”，作者 “好困”。