一、产品定位
TCRL 保留用户对训练循环和所有算法细节的完全控制——它不是让微调变"简单"的黑盒，而是一个在屏蔽分布式训练复杂性的同时保留控制力的清晰抽象。用户只需在 CPU 机器上编写一个简单的训练循环，包括数据/环境定义和损失函数。TCRL 负责将训练高效地分布到多 GPU 上执行，更换模型只需修改代码中的一个字符串。以下是职责划分：
| 用户负责 | 用户编写 | TCRL 负责 |
| 数据与 RL 环境 — 自定义训练数据，在 CPU 上运行 | 简单 Python 脚本 | 大模型高效分布式训练（Qwen3.5-122B-A10B、Qwen3.8-27B-128K 等） |
| 训练逻辑 — 损失函数、训练循环、评测 | API 调用：forward_backward()、optim_step()、sample()、save_state() | 可靠性 — 硬件故障透明处理 |
二、功能特性
TCRL 服务当前支持的功能：
·TCRL 支持微调 1B 到 1T+ 参数的开源模型，包括稠密模型和 MoE 架构。完整列表见 模型与定价。
·TCRL 采用 LoRA 微调而非全量微调。在许多重要场景（尤其是 RL）中，LoRA 与全量微调性能相当（参见 LoRA Without Regret）。
·你可以下载训练好的模型权重，在 TCRL 之外使用。
三、功能速览
TCRL 的核心功能集中在以下几个关键函数：
·forward_backward：输入数据和损失函数，计算并累积梯度。
·optim_step：使用累积的梯度更新模型参数。
·sample：从训练好的模型生成输出。
·其他用于保存/加载权重和优化器状态的函数。