Colección de guías, notebooks tutoriales y ejemplos de aplicaciones de principio a fin para desarrollar con la familia de modelos abiertos Gemma de Google.
4,1 mil+2 esta semana682Jupyter NotebookApache-2.0Bien mantenidoActualizado hace 12 días
togethercomputer/together-cookbook
Colección de notebooks de Jupyter y guías para aprender a crear con modelos de código abierto en la plataforma Together AI.
- Estrellas
- 1,194
- Forks
- 221
- Issues abiertos
- 7
- Último commit
- hace 4 días
¿Qué es?
Together Cookbook reúne recetas ejecutables para desarrolladores que quieren crear con modelos de código abierto alojados en Together AI. La mayoría son notebooks de Jupyter que usan la API de Together, y el código está pensado para copiarse en tus propios proyectos. Para ejecutar los ejemplos se necesita una clave de API de Together AI. Además, las muestras de Python y JavaScript se pueden adaptar a otros lenguajes que permitan llamar a la API.
Las recetas abarcan inferencia de chat y texto, tareas de visión como OCR, grounding, análisis de documentos y comprensión de video, generación de imágenes y salidas estructuradas. También incluyen patrones de flujos de trabajo con agentes e integraciones con frameworks como LangGraph, DSPy, PydanticAI y Agno, además de trabajos de fine-tuning (DPO, entrenamiento continuo, contextos largos y visión-lenguaje), flujos de evaluación como LLM-as-a-judge y un dashboard de Grafana para supervisar endpoints dedicados.
La estructura de carpetas refleja las áreas de producto de Together AI, y los notebooks que dependen de modelos retirados se trasladan a una carpeta de archivo.
Funciones clave
- 01Los notebooks abarcan chat, visión, generación de imágenes, salidas estructuradas e inferencia por lotes.
- 02Los ejemplos de flujos de trabajo con agentes integran LangGraph, DSPy, PydanticAI, Agno y varios proveedores de herramientas.
- 03Las recetas de fine-tuning incluyen DPO, entrenamiento continuo, contextos largos, function calling y entrenamiento de visión-lenguaje.
- 04Los ejemplos de evaluación abarcan clasificación, comparación de modelos, pruebas de prompts y ajuste de jueces LLM.
- 05Cada notebook incluye un enlace a Colab para ejecutarlo sin configuración local.
Casos de uso
- Crear un prototipo de un flujo de OCR de documentos o de preguntas y respuestas sobre PDF de varias páginas con modelos de visión de código abierto.
- Crear un sistema de recuperación o un agente de varios pasos con modelos de Together y LangGraph o PydanticAI.
- Ajustar un modelo abierto con datos de preferencias o ejemplos de function calling.
- Configurar evaluaciones con LLM-as-a-judge para comparar prompts o modelos.
Inicio rápido
- 1
Obtén una clave de API de Together AI
- 2
Abre un notebook del cookbook en Colab o clona el repositorio y ejecuta su notebook de Jupyter
Antes de usarlo
- Los ejemplos requieren una clave de API de Together AI y llaman a los modelos alojados de Together.
- Es una colección de notebooks y guías, no una biblioteca instalable.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es together-cookbook?
- Colección de notebooks de Jupyter y guías para aprender a crear con modelos de código abierto en la plataforma Together AI. Together Cookbook reúne recetas ejecutables para desarrolladores que quieren crear con modelos de código abierto alojados en Together AI. La mayoría son notebooks de Jupyter que usan la API de Together, y el código está pensado para copiarse en tus propios proyectos. Para ejecutar los ejemplos se necesita una clave de API de Together AI. Además, las muestras de Python y JavaScript se pueden adaptar a otros lenguajes que permitan llamar a la API.
- ¿together-cookbook es gratuito? ¿Qué licencia tiene?
- together-cookbook es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿together-cookbook sigue mantenido?
- Mantenimiento activo. El último commit de together-cookbook fue el 3 nov 2026.
- ¿Para qué puedo usar together-cookbook?
- Crear un prototipo de un flujo de OCR de documentos o de preguntas y respuestas sobre PDF de varias páginas con modelos de visión de código abierto. Crear un sistema de recuperación o un agente de varios pasos con modelos de Together y LangGraph o PydanticAI. Ajustar un modelo abierto con datos de preferencias o ejemplos de function calling. Configurar evaluaciones con LLM-as-a-judge para comparar prompts o modelos.
- ¿Cómo se instala together-cookbook?
- Obtén una clave de API de Together AI Abre un notebook del cookbook en Colab o clona el repositorio y ejecuta su notebook de Jupyter
- ¿Dónde consigo together-cookbook?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/togethercomputer/together-cookbook
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Repositorio de código complementario del libro AI Agents: The Definitive Guide, con notebooks de Jupyter sobre patrones de agentes, herramientas, evaluación, memoria y seguridad.
2,9 mil+35 esta semana530Jupyter NotebookSin licenciaActualizado hace 3 meses
Un espacio de trabajo con agentes para tareas de conocimiento y desarrollo de software, con varios modelos y harnesses de agentes de código abierto, disponible en local o alojado.
39,8 mil+10 esta semana6,2 milMakefileMITActualizado hace 15 días
Colección de más de 250 notebooks de Colab y Jupyter para ajustar y entrenar con RL modelos de texto, visión, audio, embeddings y TTS con Unsloth.
5,8 mil+24 esta semana969Jupyter NotebookLGPL-3.0Bien mantenidoActualizado hace 3 días
Guía paso a paso en chino y código de ejemplo para aprender sobre LLM, desde llamadas a API hasta despliegue local y fine-tuning, con versiones para Kaggle y Colab.
4,8 mil+29 esta semana492PythonMITActualizado hace 11 días
Colección de más de 90 proyectos tutoriales prácticos sobre LLM, pipelines RAG y agentes de IA, organizados por nivel de dificultad.
41,3 mil+1,2 mil esta semana6,6 milJupyter NotebookMITActualizado hace 6 días