A Together AI lançou um guia e um repositório de código aberto para ajustar finamente um modelo de classificação semelhante ao Jev, usando o modelo base Qwen3.5 4B.
A Together AI introduziu lançamentos Canary, um recurso que migra o tráfego ativo de um modelo atual para uma nova verificação em etapas com controle de acesso. Este sistema automatiza o mecanismo de segurança para troca de modelos executando verificações de integridade e portas de métricas opcionais antes de mover o tráfego, permitindo pausas e reversões automáticas se o desempenho degradar.
A Together oferece um framework para que empresas migrem de modelos de IA proprietários para modelos de código aberto (OSM) usando serviços gerenciados, com o objetivo de reduzir a complexidade e acelerar a adoção. O processo envolve descobrir modelos adequados por meio de benchmarks, avaliá-los via replay de tráfego, adaptar prompts ou pesos e calcular o ROI para justificar a mudança.
A Together AI expandiu seu serviço de ajuste fino para suportar uma gama mais ampla de modelos de peso aberto, incluindo GLM-5.3 e Kimi K2.7, ao mesmo tempo que introduz rastreamento de experimentos em tempo real e controles mais refinados sobre o processo de treinamento.
A equipe de kernels da Together AI otimizou a biblioteca ThunderKittens para aproveitar os novos recursos da plataforma NVIDIA Vera Rubin NVL72, com foco específico em melhorar o desempenho das multiplicações de matriz NVFP4 e FP8.
A Together AI anuncia a pré-visualização pública do computo preemptível para os Clusters de GPU da Together no Kubernetes, oferecendo uma opção de menor custo para cargas de trabalho tolerantes a interrupções. Os nós preemptíveis utilizam capacidade acelerada NVIDIA não utilizada e são cobrados a 50% fixo da taxa sob demanda.
Este artigo descreve o MIGHT Stack (Modelo, Inferência, Gateways, Harness, Ferramentas), uma arquitetura modular que permite aos desenvolvedores aproveitar modelos de código aberto para software agêntico sem precisar de profundo conhecimento em aprendizado de máquina ou hardware dedicado.