Tinker Cookbook 是配合 Tinker 平台的实用示例集，面向需要复现实验与构建训练流水线的开发者与研究者。
详细介绍
Tinker Cookbook 是由 Thinking Machines Lab 提供的一套示例代码库，展示如何使用 Tinker 平台进行模型训练与后处理。仓库包含从监督微调到基于奖励的强化学习、多智能体与工具使用等多种训练流水线示例。文档与各子目录的 README 会介绍运行环境、所需的 API 密钥设置、示例数据以及期望的输出，便于在受控环境中复现实验结果。文中首次提到的大语言模型采用标准写法：大语言模型（LLM, Large Language Model）。
主要特性
- 丰富示例：涵盖监督微调、RLHF、偏好学习、提示蒸馏与多任务训练等常见流程。
- 可复现性：每个示例附带运行说明和最小依赖，方便在虚拟环境中通过
pip install -e .快速部署。 - 平台联动：示例基于 Tinker 的训练与采样客户端，展示如何通过 API 调用完成训练、保存与下载检查点。
- 开源许可：项目采用 Apache-2.0 许可证，便于研究与工程复用。
使用场景
- 研究复现：快速复现论文实验中的微调与评估流程。
- 原型开发：基于示例搭建小规模训练管线，验证方法效果。
- 教学与学习：作为课堂或工作坊的实践材料，用于讲解微调与评估的流程要点。
- 工程集成：结合 Tinker 的训练 API，把已有训练逻辑迁移为受控的远程训练任务。
技术特点
- 面向训练：包含用于配置学习率、LoRA 与超参数计算的工具函数与脚本。
- 模块化设计：recipes 目录下按任务组织示例，便于按需组合与扩展。
- 支持评估：内置评估抽象与与 InspectAI 的集成示例，便于在标准基准上测量模型表现。
- 环境说明：提供示例数据、依赖说明（
pyproject.toml）和开发者指南，降低上手成本。