Coleção de guias, notebooks de tutorial e exemplos de apps completos para criar soluções com a família de modelos abertos Gemma, do Google.
4,1 mil+2 esta semana682Jupyter NotebookApache-2.0Bem mantidoAtualizado há 12 dias
togethercomputer/together-cookbook
Uma coleção de notebooks Jupyter e guias que mostram como desenvolver com modelos de código aberto na plataforma Together AI.
- Estrelas
- 1,194
- Forks
- 221
- Issues abertas
- 7
- Último commit
- há 4 dias
O que é?
Together Cookbook reúne receitas executáveis para desenvolvedores que querem criar soluções com modelos de código aberto hospedados na Together AI. A maioria das entradas são notebooks Jupyter que chamam a Together API, e o código foi pensado para ser copiado para seus próprios projetos. É necessária uma chave de API da Together AI para executar os exemplos, e as amostras em Python e JavaScript podem ser adaptadas a outras linguagens capazes de chamar a API.
As receitas abrangem inferência de chat e texto, tarefas de visão, como OCR, grounding, análise de documentos e compreensão de vídeos, geração de imagens e saídas estruturadas. Também incluem padrões de fluxo de trabalho para agentes e integrações com frameworks como LangGraph, DSPy, PydanticAI e Agno, além de tarefas de fine-tuning (DPO, contínuo, contexto longo e visão-linguagem), fluxos de avaliação, como LLM-as-a-judge, e um dashboard do Grafana para monitorar endpoints dedicados.
A estrutura de pastas acompanha as áreas de produto da Together AI, e os notebooks que dependem de modelos descontinuados são movidos para uma pasta de arquivo.
Recursos principais
- 01Os notebooks abrangem chat, visão, geração de imagens, saídas estruturadas e inferência em lote.
- 02Os exemplos de fluxo de trabalho para agentes integram LangGraph, DSPy, PydanticAI, Agno e vários provedores de ferramentas.
- 03As receitas de fine-tuning incluem treinamento com DPO, contínuo, contexto longo, chamada de funções e visão-linguagem.
- 04Os exemplos de avaliação abrangem classificação, comparação de modelos, testes de prompts e ajuste de LLM judge.
- 05Cada notebook tem um link para o Colab, permitindo executá-lo sem configuração local.
Casos de uso
- Prototipar um pipeline de OCR de documentos ou de perguntas e respostas sobre PDFs com várias páginas usando modelos de visão de código aberto.
- Criar um agente de recuperação ou com várias etapas usando modelos da Together com LangGraph ou PydanticAI.
- Fazer fine-tuning de um modelo aberto com dados de preferência ou exemplos de chamada de funções.
- Configurar avaliações com LLM-as-a-judge para comparar prompts ou modelos.
Início rápido
- 1
Obtenha uma chave de API da Together AI
- 2
Abra um notebook do cookbook no Colab ou clone o repositório e execute o notebook do Jupyter
Antes de usar
- Os exemplos exigem uma chave de API da Together AI e chamam os modelos hospedados da Together.
- É uma coleção de notebooks e guias, não uma biblioteca instalável.
Em coleções
Tópicos
Perguntas frequentes
- O que é together-cookbook?
- Uma coleção de notebooks Jupyter e guias que mostram como desenvolver com modelos de código aberto na plataforma Together AI. Together Cookbook reúne receitas executáveis para desenvolvedores que querem criar soluções com modelos de código aberto hospedados na Together AI. A maioria das entradas são notebooks Jupyter que chamam a Together API, e o código foi pensado para ser copiado para seus próprios projetos. É necessária uma chave de API da Together AI para executar os exemplos, e as amostras em Python e JavaScript podem ser adaptadas a outras linguagens capazes de chamar a API.
- together-cookbook é gratuito? Qual é a licença?
- together-cookbook é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- together-cookbook ainda é mantido?
- Manutenção ativa. O último commit de together-cookbook foi em 3 de nov. de 2026.
- Para que posso usar together-cookbook?
- Prototipar um pipeline de OCR de documentos ou de perguntas e respostas sobre PDFs com várias páginas usando modelos de visão de código aberto. Criar um agente de recuperação ou com várias etapas usando modelos da Together com LangGraph ou PydanticAI. Fazer fine-tuning de um modelo aberto com dados de preferência ou exemplos de chamada de funções. Configurar avaliações com LLM-as-a-judge para comparar prompts ou modelos.
- Como instalar together-cookbook?
- Obtenha uma chave de API da Together AI Abra um notebook do cookbook no Colab ou clone o repositório e execute o notebook do Jupyter
- Onde consigo together-cookbook?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/togethercomputer/together-cookbook
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Repositório de código complementar ao livro AI Agents: The Definitive Guide, com notebooks Jupyter sobre padrões de agentes, ferramentas, avaliação, memória e segurança.
2,9 mil+35 esta semana530Jupyter NotebookSem licençaAtualizado há 3 meses
Um espaço de trabalho com agentes para pesquisa e desenvolvimento de software, com vários modelos e estruturas de agentes open source, executado localmente ou hospedado.
39,8 mil+10 esta semana6,2 milMakefileMITAtualizado há 15 dias
Uma coleção com mais de 250 notebooks do Colab e Jupyter para fine-tuning e treinamento com RL de modelos de texto, visão, áudio, embeddings e TTS usando Unsloth.
5,8 mil+24 esta semana969Jupyter NotebookLGPL-3.0Bem mantidoAtualizado há 3 dias
Guia passo a passo em chinês, com código de demonstração para aprender LLMs, desde chamadas de API até implantação local e fine-tuning, com versões para Kaggle/Colab.
4,8 mil+29 esta semana492PythonMITAtualizado há 11 dias
Coleção com mais de 90 projetos práticos de tutorial sobre LLMs, pipelines de RAG e agentes de IA, organizados por nível de dificuldade.
41,3 mil+1,2 mil esta semana6,6 milJupyter NotebookMITAtualizado há 7 dias