基线基线先决条件
提示词、上下文、数据保险库与工具策略
结合上下文、检索、工具和审批策略建立可衡量的基线。将配置变更与任何符合条件的训练方法进行同步对比评估。
产出制品 (Artifact)： 系统指令、检索分块策略、工具模式（Schema）、审批门禁及引用规则（模型权重保持不变）。
探索 提示词、上下文、数据保险库与工具策略将后训练方法与您的反馈信号相匹配。
/适配层级
示范数据支持监督微调（SFT）。偏好对数据支持 DPO 或 ORPO。具备可评分结果的可执行环境支持 智能体 RL。先建立稳健的基线，再基于实证数据选择或组合训练方法。SFT 与 DPO 并非开展 RL 的先决条件。
示范数据凭邀请 · 限定范围试点
监督微调（SFT / LoRA）
当精选示范数据（包括多轮对话和工具调用追踪）能够在符合条件的检查点上教会模型所需行为时使用。
产出制品 (Artifact)： 对照获批的示范数据优化符合条件的适配器或检查点；可涵盖多步骤任务。
探索 监督微调（SFT / LoRA）偏好设置凭邀请 · 限定范围方法
偏好优化（DPO / ORPO）
当经授权的采纳（Preferred）与拒绝（Rejected）响应或轨迹能够清晰表达期望行为时使用。
产出制品 (Artifact)： 基于获批的偏好数据对优化符合条件的适配器或检查点。
探索 偏好优化（DPO / ORPO）奖励信号协同工程 · 试点范围
基于多步轨迹的 智能体 RL
当可执行环境和可评分的任务成果支持对多步决策进行基于奖励的优化时使用。无需预先进行 SFT 或 DPO。
产出制品 (Artifact)： 跨多轮工具调用、环境状态转换及最终任务验证的端到端策略优化。
探索 基于多步轨迹的 智能体 RL选择您的训练方式。
/实施路径
与我们的团队合作
定制化训练
共同商定任务、基线与评估方案。与我们携手选择检查点、训练方法及推理服务计划。
明确范围并定制报价
需准备的输入要素
明确的任务、样本数据与成功标准。数据就绪度可由双方共同评估。
保留您的自有训练循环
训练 API (Training API)
由您的机器学习团队主导训练循环、损失函数或奖励机制。通过 Grid 规划无服务器或专用训练器及 Rollout 采样推理。
凭邀请访问
需准备的输入要素
您的训练框架、检查点、训练方法及评估方案。如为专用运行，请补充容量时间窗口。
使用内置训练方法
托管训练
提供准备好的样本、偏好数据或奖励函数。规划托管的 SFT、DPO、ORPO 或强化微调作业。
凭邀请访问
需准备的输入要素
数据集就绪度、符合条件的基础模型及独立留出集评估。检查点与训练方法支持情况将一并确认。
任务提交前的准备工作
规划训练方案。
定义验收依据。
选择一条训练路径和候选模型，或暂时保持开放。描述您的任务、数据以及团队验收所需达到的效果。
0 / 4 项需求已起草。未填写的需求在下载文件中将标记为“待确认”。
在本次访问期间浏览网站时，您填写的答案将保留在此处。刷新页面将清除这些内容。
在后续访问中继续
保存可编辑简报以便日后重新打开这些答案。文件仅在本页面读取。准备就绪后，请通过请求表单提交咨询。
商定模型的验收准入标准。
在留出集任务上对比未微调基线与训练后产物的表现。综合审阅输出质量、异常情况、人工投入及单个合格结果的成本。
Checkpoint 与方法适用性、训练成本以及推理发布方案将在正式方案中确认。
训练模型 · 按项目报价任务
围绕您所需的业务成果开展训练。
从 Qwen 27B 适配器起步，或探索 Inkling、Nemotron、GLM 和 Kimi 进行定制训练任务。选择模型，商定评估方案，随后确认训练方法与算力配置。
14 个训练选项 · 5 个模型系列 · 邀请制访问
6 / 14 选项 · 精选推荐 · 适用性按具体任务确认
Qwen · BF16 权重
凭邀请Qwen 3.8 27B · LoRA
面向领域语言、结构化回答与工具使用的理想起点。
- 训练价格
- 根据您的数据集、训练方法与算力需求报价
Checkpoint 与兼容性
使用您的样本对原始后训练检查点进行适配。从监督微调 (SFT) 起步，并将结果与未微调模型进行对比。
- 待评估范围的 Checkpoint
- Qwen/Qwen3.8-27B来源，在新标签页中打开
已发布检查点与适配器训练指南。Grid 适用资格按具体作业确认。
阅读原始资料适用于 Qwen 3.8 27B · LoRA, 在新标签页中打开Qwen · 4-bit 训练权重
定制报价Qwen 3.8 27B · QLoRA
训练显存受限时的适配器微调方案。
- 训练价格
- 根据您的数据集、训练方法与算力需求报价
Checkpoint 与兼容性
使用 Unsloth 发布的 4-bit 检查点规划定制训练作业。我们将在运行前确认训练器兼容性、序列长度及部署格式。
- 待评估范围的 Checkpoint
- unsloth/Qwen3.8-27B-unsloth-bnb-4bit来源，在新标签页中打开
已发布 QLoRA 配方与 RL 入口点。Grid 训练运行仍需单独验证。
阅读原始资料适用于 Qwen 3.8 27B · QLoRA, 在新标签页中打开Inkling · BF16 权重
定制报价Inkling Small
探索面向文本、图像与音频的多模态适配。
- 训练价格
- 根据您的数据集、训练方法与算力需求报价
Checkpoint 与兼容性
总参数量 276B，激活参数 12B。在选择适配器或全参数训练作业前，请先明确模态范围、数据集及训练器。
- 待评估范围的 Checkpoint
- thinkingmachines/Inkling-Small来源，在新标签页中打开
开放权重并在 Tinker 上支持厂商微调。Grid 兼容性需另行评审。
阅读原始资料适用于 Inkling Small, 在新标签页中打开Nemotron · BF16 权重
定制报价Nemotron 3 Nano 4B
针对专注型助手或智能体场景评估更小巧的模型。
- 训练价格
- 根据您的数据集、训练方法与算力需求报价
Checkpoint 与兼容性
4B 规模的 Mamba 与注意力混合架构模型。需针对其架构、训练方法及目标推理服务环境规划支持范围。
- 待评估范围的 Checkpoint
- nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16来源，在新标签页中打开
已发布 BF16 检查点。训练方法与训练器兼容性需进行范围评估。
阅读原始资料适用于 Nemotron 3 Nano 4B, 在新标签页中打开GLM · BF16 权重
定制报价GLM 5.3
探索长周期编程与可验证智能体任务。
- 训练价格
- 根据您的数据集、训练方法与算力需求报价
Checkpoint 与兼容性
总参数量 744B，激活参数 40B。已发布的 RL 研究采用 SAO 与 slime 框架。需规划分布式训练、环境、验证器及检查点许可证。
- 待评估范围的 Checkpoint
- zai-org/GLM-5.3-BF16来源，在新标签页中打开
特定版本后训练报告。SAO 论文评估了 GLM 5.2；5.3 报告描述了该方法的延续应用。
阅读原始资料适用于 GLM 5.3, 在新标签页中打开Kimi · MXFP4 权重
定制报价Kimi K3
通过定制合作探索长周期编程与原生视觉能力。
- 训练价格
- 根据您的数据集、训练方法与算力需求报价
Checkpoint 与兼容性
总参数量 2.8T，激活参数 104B。已发布权重采用量化感知的 MXFP4 格式。在对训练运行报价前，需确认可用的训练检查点、量化支持及 Kimi K3 许可证。
- 待评估范围的 Checkpoint
- moonshotai/Kimi-K3来源，在新标签页中打开
以 MXFP4 格式发布的开放权重版本。针对 Grid 的标准 BF16 或 QLoRA 训练路径尚未经过验证。
阅读原始资料适用于 Kimi K3, 在新标签页中打开训练服务采用邀请制。已公布的模型权重仅作为范围评估的候选对象。正式报价将确认 Checkpoint 许可证、训练器兼容性、数据集规模、序列长度、训练轮数（Epochs）、训练方法、评估方案及算力配置。
推理价格不适用于训练计费。训练、存储与部署费用均单独商定。模型的原生上下文窗口长度不代表承诺支持的训练序列长度。
探索 RL 研究与试点要求强化学习 · 研究与范围评估
调研 RL 试点方案。
目前已有针对 GLM 5.3 和 Qwen 3.8 的公开强化学习研究成果。请将研究实证与具体 Checkpoint 相匹配，并围绕可衡量的任务与可靠的奖励信号设计试点。资料审阅于 2026 年 10 月 1 日。
27B 训练配方 · 2.4T 研究成果
Qwen 3.8
2.4T 模型的研究结果不能直接代表 27B 模型的训练效果。针对 27B 模型，请通过小规模试点确认训练配方、训练器、采样（Rollout）路径及奖励函数。
RL 方法与参考资料
Unsloth 记录了使用其 Qwen 3.5 训练路径进行 Qwen 3.8 27B RL 训练的切入方案。QwenGyre 则另外报告了在 Qwen 3.8 2.4T 上开展的长程智能体 RL 研究。
特定版本后训练报告
GLM 5.3
SAO 论文评估了 GLM 5.2，而 5.3 发布报告阐述了该方法的延续应用。在启动运行前，请先评估 BF16 Checkpoint、许可证、分布式训练器及您的任务环境。
RL 方法与参考资料
Z.ai 介绍了结合单次 rollout 异步优化（SAO）、上下文压缩（Compaction）、任务验证器以及 slime 框架的持续长程强化学习（Long-horizon RL）。GLM 5.3 保持了与 5.2 相同的基础模型架构。
请准备好 Rollout 环境、奖励函数或验证器、数据集、未微调基线及成功标准。试点适用性与训练成本将在定制报价中确认。
阅读实证资料与试点指南Training API 形态
/api-接口
Training API 提供两种训练器形态：Serverless 适用于在共享容量上运行 LoRA；Dedicated（专属）适用于需要全参数微调、模型蒸馏或独立专属集群的场景。RL rollout 充当采样器，而非训练器。
自定义训练循环 · LoRA · 按 Token 计费
Serverless 训练 API
使用 Python 编写训练循环，由 Grid 挂载至共享训练器。仅支持 LoRA。您只需为训练 Token 付费，无需为闲置 GPU 买单。当标准托管任务无法满足灵活性需求、但又无需专属集群时，推荐使用此方式。
自定义训练循环 · LoRA 或全参数微调
专属训练 API
为您独享预留的训练器资源。支持在此运行自定义损失函数、模型蒸馏、DPO、ORPO 以及全参数更新。按时间计量容量并报价，训练运行结束后即可销毁释放。
训练方法
/训练方法
支持监督微调、偏好优化、强化学习、模型蒸馏及全参数训练。具体适用性取决于各个检查点与训练方法。列入范围规划列表的模型并不代表自动支持以下所有方法。请在您的训练范围界定中确认所使用的训练器与评估方案。
托管任务或 Training API
SFT
监督微调（SFT）
方法详情
基于期望输出的标注示例进行训练，支持文本与视觉模态，是默认的首选训练任务。托管模式下支持 LoRA；专属 API 下支持全参数微调。
托管任务或专属 API
DPO
直接偏好优化 (Direct Preference Optimization)
方法详情
针对同一提示词（Prompt）使用偏好与非偏好输出对进行训练。DPO 将策略模型与参考模型进行对比。适用于调整语气、格式以及不存在唯一标准答案的场景。
托管任务或专属 API
ORPO
优势比偏好优化 (Odds Ratio Preference Optimization)
方法详情
使用与 DPO 相同的偏好对数据。ORPO 将监督微调目标融合在内，因此无需额外维护独立的参考模型。数据集结构完全一致：input、preferred_output、non_preferred_output。
定制范围试点或专属 API
智能体 RL / RFT
基于轨迹的强化学习微调
方法详情
对照确定性验证器与评分量表（Rubric），训练多步工具调用与推理能力。可与 Forward 共同规划 智能体 RL 试点，或保留您自有的训练器并使用 Grid 进行 RL rollout 采样。
专属 API
模型蒸馏 (Distillation)
教师模型到学生模型
方法详情
通过自定义训练循环将大型教师模型的行为迁移至小型学生模型中。非托管预设项，需结合专属 API 定制报价。
专属 API
全参数微调 (Full-parameter)
更新基础模型权重
方法详情
LoRA 是快速起步的首选；当适配器无法充分改变模型行为时，全参数微调则是性能上限。托管任务仅支持 LoRA，全参数微调仅限专属模式。
定制化训练
规划模型训练。商定推理部署路径。
与我们的团队合作定义任务、选择兼容的检查点与训练方法，并商定评估标准。提案将明确定义训练运行方案、输出制品、成本及推理服务计划。经演练验收的制品将通过商定的发布流程获得账户调用权限。
如果您的工作是在算力工厂上运行完整的工作负载，而非单一训练任务，则属于 定制项目. 欢迎在该板块与我们探讨。
轨迹与验证器闭环
智能体 RL
基于多步工具调用轨迹与确定性验证器训练模型。Forward 将与您的团队共同界定环境测试框架（Harness）、奖励合约及策略更新方案。采用邀请制界定范围。
智能体 RL保留您自己的训练器
RL 轨迹采样
将您自有的 RL 训练闭环指向 Grid，以实现高并发轨迹采样。我们负责运行 rollout 推理；您的 ML 团队保留训练器与权重更新调度。采用预留容量，按需报价。
RL 轨迹采样所训即所服（训练与推理无缝统一）
同一算力工厂
提案将明确界定经验证验收的检查点如何部署到 Grid 无服务器、专用容量或私有部署 环境中。账户访问权限、格式与上线流程均在发布前确认。智能路由器 可纳入您所选的已启用模型。训练按任务报价；推理服务按推理 Token 费率计费。
训练文档导入业务任务。界定训练范围。
在训练运行前商定检查点、数据集、评估标准与推理部署计划。训练访问权限采用邀请制；定制合作按需报价。