跳转到主要内容
训练任务通过名称引用已就绪的数据集。请准备一个 JSONL 文件,通过两步式数据集 API 上传, 并在调用 POST /v1/training/jobs 之前确认已处理的版本存在。

选择数据集格式

文件中的每一行都必须是一个 JSON 对象。同一数据集中请始终使用一致的结构。

命名实体识别

使用 text 加上由 [span, label] 对组成的 entities 列表。每个 span 都必须出现在文本中,但匹配不区分大小写:对于 "Ada Lovelace","ada lovelace" 是有效值。请使用空列表来包含负样本。

分类

单标签数据使用 label,多标签数据使用 labels。每一行必须使用相同的字段。

GLiNER2 库格式

NER 和分类上传也接受 GLiNER2 的规范 input 和 output 结构。对于 NER, 请将每个实体标签映射到匹配的 span:
对于分类,每行的 classifications 可以包含一个或多个任务:
每行只能使用一种结构。请勿在同一行中混用 text、label、labels 或 entities 与 input 和 output 字段。

联合 NER 与分类

一行可以同时包含 entities 和 label,以训练两个输出头。每一行都应保持相同的联合结构,并且不要混用单标签 label 与多标签 labels。

解码器

将 dataset_type 设为 decoder,并让每一行都包含带聊天 role 和 content 的 messages 数组。
数据集服务接受用于微调代理和存储工作流的解码器数据集。配置任务会拒绝解码器基础模型,因此不要将 dataset_type: decoder 视为直接通过配置任务训练解码器的路径。交互式任务不接受数据集名称;请在应用中读取示例并进行分词,然后按照解码器快速入门发送已分词的 datums。

上传数据集

1. 预留上传 URL

响应包含一个短时有效的 presigned_url、一个 dataset_id 和一个 version_number。 上述命令会保留这三个值。将文件的原始字节上传到预签名 URL:

2. 处理已上传的文件

处理请求返回 202。按名称轮询数据集,并选择 version_number 与上传响应完全一致的条目。 持续轮询,直到该版本的 status 变为 ready 或 failed。如果状态为 failed, 请停止轮询并显示其 processing_error;不要将该版本提交给训练。

开始训练

将确切的数据集名称传递给训练任务创建端点:
请在提交前立即调用 GET /v1/base-models?supports_training=true,以选择当前可训练的基础模型。

常见阻碍

数据集 API 契约

上传 URL

处理上传

列出数据集

数据集版本

删除数据集