Інтеграція Together AI: запуск відкритих LLM під ключ

Розгорнути власну GPU-інфраструктуру для інференсу сучасних LLM — завдання не з дешевих. A100/H100 кластери потребують бюджету від мільйонів гривень і команди MLOps-інженерів. Together AI знімає цей бар'єр: ми беремо на себе інтеграцію ваших сервісів з платформою. Підключаємо OpenAI-сумісний API, налаштовуємо роутинг між моделями, оптимізуємо latency p99 — і ви отримуєте готовий endpoint під свої завдання. За 5+ років роботи ми реалізували більше 30 проектів з інтеграції LLM у продакшен — оцінимо ваш проект протягом дня.

Кейс: для фінтех-стартапу ми розгорнули RAG-систему на Together AI за 3 дні. До цього вони платили за оренду виділених GPU на AWS — Together знизив витрати в 5 разів, latency p99 не перевищувала 200 мс, точність відповідей досягла 94%. Це не одиничний приклад: за даними документації платформи, її використання дозволяє скоротити витрати на інференс до 80%. У порівнянні з орендою GPU у AWS, Together AI дає економію до 80% при співставній продуктивності.

Які проблеми вирішує Together AI?

Висока вартість GPU. Оренда власних A100/H100 у хмарах виливається в десятки тисяч доларів щомісяця. Together AI використовує спільний пул GPU, що знижує вартість інференсу в 5–10 разів у порівнянні з інстансами хмар. Складність деплою: вибір версії CUDA, оптимізація через vLLM або TensorRT-LLM — інженерні години. Платформа бере на себе всі низькорівневі оптимізації. Відсутність гнучкості: балансування між якістю та швидкістю — ми реалізуємо роутер, який автоматично перемикає модель залежно від контексту.

Базова інтеграція

from openai import OpenAI, AsyncOpenAI

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

# Вибір моделі
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)

Як працює роутинг моделей?

Роутер аналізує запит: якщо задача потребує глибоких міркувань — направляє на DeepSeek-R1, якщо потрібна швидкість — на Llama 3.1 8B. Це знижує середню вартість токена на 30–40% без втрати якості. Під капотом використовуємо динамічний threshold по latency та confidence.

Як відбувається fine-tuning?

Fine-tuning відкритих моделей під власні дані дозволяє покращити точність і знизити галюцинації. Together AI надає інфраструктуру для LoRA та повного fine-tuning. Ми допомагаємо підготувати датасет, вибрати гіперпараметри та провести A/B тестування. Приклад запуску:

# Together дозволяє fine-tuning відкритих моделей на власних даних
import together

together.api_key = "TOGETHER_API_KEY"

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

# Запускаємо 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"]

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

Переваги fine-tuning на Together AI

Платформа керує всіма обчислювальними ресурсами — не потрібно думати про GPU. Доступні передтреновані LoRA-ваги, які можна кастомізувати під свої дані. Ми допомагаємо з підбором гіперпараметрів та оцінкою метрик на валідаційному датасеті. Fine-tuning окупається за рахунок підвищення точності та зниження кількості дорогих токенів.

Embeddings та RAG

Для Retrieval-Augmented Generation використовуємо embeddings моделі, наприклад BAAI/bge-large-en-v1.5. Together AI підтримує асинхронну генерацію embeddings, що важливо при високих навантаженнях:

response = client.embeddings.create(
    model="BAAI/bge-large-en-v1.5",  # Одна з найкращих для пошуку
    input=["Перший текст", "Другий текст"],
)
embeddings = [item.embedding for item in response.data]

Порівняння моделей на Together AI

Як інтегрувати Together AI за 3 кроки?

1. Отримайте API-ключ у панелі керування Together AI.
2. Замініть base_url у вашому OpenAI-клієнті на https://api.together.xyz/v1.
3. Налаштуйте роутинг — ми підберемо моделі під ваші сценарії. Отримайте endpoint за 0.5 дня.

Отримайте консультацію з інтеграції Together AI.

Скільки часу займає інтеграція?

Інтеграція базового API займає 0.5 дня: заміна base_url та ключа. Повний проект з fine-tuning та RAG — від 5 робочих днів. Вартість розраховується індивідуально під обсяг трафіку та складність моделей. Замовте інтеграцію — отримайте готовий endpoint за 1 день.

Процес роботи

Що входить в роботу

• Підключення Together AI до вашого проекту (0.5 дня)
• Fine-tuning pipeline з A/B тестуванням (3–5 днів)
• Інтеграція embeddings для RAG (1–2 дні)
• Оптимізація вартості (налаштування роутингу, кешування, batch-обробки)
• Документація та навчання команди
• Підтримка після запуску (моніторинг, доналаштування)

Зв'яжіться з нами — оцінимо ваш проект та запропонуємо оптимальне рішення. Гарантуємо зниження витрат на інференс у 2–5 разів у порівнянні з орендою GPU. Додатково читайте про LLM — це основа, на якій будуються всі сучасні AI-рішення.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.