允中 发自 凹非寺

大模型下半场的战火，已经从“暴力预训练”烧向了“后训练”战场。

无论是OpenAI o1的推理突破，还是DeepSeek-R1靠强化学习（RL）实现的性能飞跃，都释放了一个明确信号：

决定模型天花板的，不再只是算力堆砌，而是更精准的微调和RL迭代。

但现实很骨感——复杂的分布式基建、高昂的显卡租金、繁琐的架构调优，像一道道高墙，把无数算法工程师挡在了“炼丹房”外。

现在，这堵墙正在被推倒。

潞晨云微调SDK正式开放上线——这是国内首个全面开放、且兼容Tinker范式的Serverless微调平台。

其基于Thinking Machine Lab开源的Tinker SDK构建，核心目标只有一个：

为复杂且昂贵的强化学习，提供一套更具成本优势的工业级解法。

随着OpenAI o1在推理能力上的突破，业界逐渐形成共识——

即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；

另外，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。

它试图回答的不是范式是否新，而是开发者能否用起来、能否稳定跑起来。

具体来看，潞晨云微调SDK兼容Tinker接口，消除了从“算法灵感”到“模型落地”之间的工程化壁垒，在零代码微调与裸机全手写之间落在最佳平衡点，将研究精力和算力成本从集群运维还原至算法本身，带给开发者“本地写码、云端计算”的“训练即服务（Training as a Service）”流畅体验 。

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：

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。

这也意味着，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。

那么问题来了，为什么体验能做到如此丝滑？

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，无资源闲置，将用户每一分钱都用在产生梯度的刀刃上。

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——

也就是说，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：

这种新模式，也将彻底改变不同领域开发者的工作流：

1、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。

2、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”。

3、工业级落地：复杂架构突围

而在金融、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。

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:

2、Initialize Client: 目前已支持Qwen3系列 (4B – 32B) ，更多模型即将上线

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：

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。

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：

立即体验：https://cloud.luchentech.com/fine-tuning使用文档：https://cloud.luchentech.com/doc/docs/finetune-sdk/

Reference[1] Tinker SDK: https://github.com/thinking-machines-lab/tinker[2] DeepSeek-R1: https://arxiv.org/pdf/2501.12948

版权声明：

本博客部分内容为转载文章，旨在分享有价值的信息，版权归原作者所有。

转载仅为个人学习与交流目的，不对文章观点负责，亦不用于任何商业用途。

如涉及版权问题，请联系本人删除。