Интеграция Together AI: запуск открытых LLM под ключ

Развернуть собственную GPU-инфраструктуру для инференса современных LLM — задача не из дешёвых. A100/H100 кластеры требуют бюджета от миллионов рублей и команды MLOps-инженеров. Together AI снимает этот барьер: мы берём на себя интеграцию ваших сервисов с платформой. Подключаем OpenAI-совместимый API, настраиваем роутинг между моделями, оптимизируем latency p99 — и вы получаете готовый endpoint под свои задачи. За 5+ лет работы мы реализовали более 30 проектов по интеграции LLM в продакшен — оценим ваш проект в течение дня.

Кейс: для финтех-стартапа мы развернули RAG-систему на Together AI за 3 дня. До этого они платили за аренду выделенных GPU на AWS — Together снизил затраты в 5 раз, latency p99 не превышала 200 мс, точность ответов достигла 94%. Это не единичный пример: по данным документации платформы, её использование позволяет сократить расходы на инференс до 80%. По сравнению с арендой GPU у AWS, Together AI даёт экономию до 80% при сопоставимой производительности.

Какие проблемы решает Together AI?

Высокая стоимость GPU. Аренда собственных A100/H100 в облаках выливается в десятки тысяч долларов ежемесячно. Together AI использует общий пул GPU, что снижает стоимость инференса в 5–10 раз по сравнению с инстансами облаков. Сложность деплоя: выбор версии CUDA, оптимизация через vLLM или TensorRT-LLM — инженерные часы. Платформа берёт на себя все низкоуровневые оптимизации. Отсутствие гибкости: балансировка между качеством и скоростью — мы реализуем роутер, который автоматически переключает модель в зависимости от контекста.

Базовая интеграция

from openai import OpenAI, AsyncOpenAI

# Together использует OpenAI SDK
client = OpenAI(
    api_key="TOGETHER_API_KEY",
    base_url="https://api.together.xyz/v1",
)

# Выбор модели
MODELS = {
    "quality": "meta-llama/Meta-Llama-3.1-405B-Instruct-Turbo",
    "balanced": "meta-llama/Meta-Llama-3.1-70B-Instruct-Turbo",
    "fast": "meta-llama/Meta-Llama-3.1-8B-Instruct-Turbo",
    "code": "Qwen/Qwen2.5-Coder-32B-Instruct",
    "reasoning": "deepseek-ai/DeepSeek-R1-Distill-Llama-70B",
}

response = client.chat.completions.create(
    model=MODELS["balanced"],
    messages=[{"role": "user", "content": "Задача"}],
    temperature=0.1,
    max_tokens=2048,
)
print(response.choices[0].message.content)

Как работает роутинг моделей?

Роутер анализирует запрос: если задача требует глубоких рассуждений — направляет на DeepSeek-R1, если нужна скорость — на Llama 3.1 8B. Это снижает среднюю стоимость токена на 30–40% без потери качества. Под капотом используем динамический threshold по latency и confidence.

Как происходит fine-tuning?

Fine-tuning открытых моделей под собственные данные позволяет улучшить точность и снизить галлюцинации. Together AI предоставляет инфраструктуру для LoRA и полного fine-tuning. Мы помогаем подготовить датасет, выбрать гиперпараметры и провести A/B тестирование. Пример запуска:

# Together позволяет fine-tune открытые модели на собственных данных
import together

together.api_key = "TOGETHER_API_KEY"

# Загружаем датасет (JSONL формат: {"prompt": "...", "completion": "..."})
file_response = together.Files.upload(file="training_data.jsonl")
file_id = file_response["id"]

# Запускаем fine-tuning
ft_response = together.Finetune.create(
    training_file=file_id,
    model="meta-llama/Meta-Llama-3.1-8B-Instruct-Reference",
    n_epochs=3,
    batch_size=16,
    learning_rate=1e-5,
    suffix="my-custom-model",
)
ft_job_id = ft_response["id"]

# Проверяем статус
status = together.Finetune.retrieve(ft_job_id)
print(status["status"])  # "running" | "completed" | "failed"

Преимущества fine-tuning на Together AI

Платформа управляет всеми вычислительными ресурсами — не нужно думать о GPU. Доступны предобученные LoRA-веса, которые можно кастомизировать под свои данные. Мы помогаем с подбором гиперпараметров и оценкой метрик на валидационном датасете. Fine-tuning окупается за счёт повышения точности и снижения количества дорогих токенов.

Embeddings и RAG

Для Retrieval-Augmented Generation используем embeddings модели, например BAAI/bge-large-en-v1.5. Together AI поддерживает асинхронную генерацию embeddings, что важно при высоких нагрузках:

response = client.embeddings.create(
    model="BAAI/bge-large-en-v1.5",  # Один из лучших для поиска
    input=["Первый текст", "Второй текст"],
)
embeddings = [item.embedding for item in response.data]

Сравнение моделей на Together AI

Как интегрировать Together AI за 3 шага?

1. Получите API-ключ в панели управления Together AI.
2. Замените base_url в вашем OpenAI-клиенте на https://api.together.xyz/v1.
3. Настройте роутинг — мы подберём модели под ваши сценарии. Получите endpoint за 0.5 дня.

Получите консультацию по интеграции Together AI.

Сколько времени занимает интеграция?

Интеграция базового API занимает 0.5 дня: замена base_url и ключа. Полный проект с fine-tuning и RAG — от 5 рабочих дней. Стоимость рассчитывается индивидуально под объём трафика и сложность моделей. Закажите интеграцию — получите готовый endpoint за 1 день.

Процесс работы

Что входит в работу

• Подключение Together AI к вашему проекту (0.5 дня)
• Fine-tuning pipeline с A/B тестированием (3–5 дней)
• Интеграция embeddings для RAG (1–2 дня)
• Оптимизация стоимости (настройка роутинга, кэширования, batch-обработки)
• Документация и обучение команды
• Поддержка после запуска (мониторинг, донастройка)

Свяжитесь с нами — оценим ваш проект и предложим оптимальное решение. Гарантируем снижение затрат на инференс в 2–5 раз по сравнению с арендой GPU. Дополнительно читайте про LLM — это основа, на которой строятся все современные AI-решения.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.