Lamini

Lamini 做的是让普通开发者也能把模型调准，官方文档现在的主打说法是构建准确率 90% 以上的 mini-agent。它的技术路线叫 Memory Tuning：往模型里注入精确的事实来消除幻觉，官方称从 10 条事实与样例起步，可以扩到 10 万条以上，并给出 95% 以上准确率的口径；因为能继续用较小的模型，延迟与成本都压得住。相关论文挂在 arXiv（编号 2406.17642），内容也被做成 deeplearning.ai 上的一门短期课。

不想碰微调的话还有一条更轻的路，叫 Memory RAG，官方说它比 Memory Tuning 更简单，用智能嵌入扩展数据表示来捕捉语义关系，在自己的数据上迭代几轮、告诉模型该往哪改，准确率从 50% 提到 90–95%。另外还有 Classifier Agent Toolkit 做分类器：类别数从 2 到 1000 以上，标称处理速度 40 万 token/秒，路由准确率 99.9%。

入口是 SDK 与 API，官方称兼容 OpenAI 的接口规范，一个接口后面可以换任意开源模型。部署分云上与自己管两种：企业可以走 air-gapped 的隔离部署，Kubernetes 安装文档也公开。新账号给 300 美元免费额度，另有带 Memory RAG 的 Playground 可以直接试 PDF 知识库。

团队背景方面，文档写他们过去二十年一直在做 LLM 的训练、微调与偏好对齐，成员参与过 GPT-3、GPT-4、Claude、Llama 3.1、PaLM、Megatron 等项目，也在 deeplearning.ai 上教过微调课程。