微调 GLiNER

本指南将创建一个 config 训练任务。你提供就绪的数据集和训练设置；Fastino 负责运行训练循环。

开始之前

按照训练 API 概览中的说明设置 FASTINO_API_KEY。示例通过 X-API-Key 请求头发送密钥，并使用 jq 读取 JSON 响应。

1. 选择任务

抽取

训练 GLiNER 查找人物、产品或地点等带标签的文本片段。准备包含 text 和 entities 的数据行，并将数据集作为 NER 数据上传。

分类

训练 GLiNER 为文本分配一个或多个标签。准备包含 text 和 label 或 labels 的数据行，并将数据集作为分类数据上传。

每个 JSONL 文件始终使用同一种数据行结构。有关确切的 GLiNER JSONL 格式、上传 URL 请求、文件上传、处理请求和就绪检查，请参阅准备和上传训练数据集。仅在数据集版本报告为 ready 后继续。

2. 查询可训练模型

不要硬编码旧示例中的基础模型。创建任务前立即查询实时目录：

curl -sS "https://api.fastino.ai/v1/base-models?supports_training=true" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

选择支持你的任务和所需训练类型的 GLiNER 模型。复制其确切 ID，用作原生训练 API 的 base_model 字段。

3. 创建配置任务

替换下面的目录模型、数据集名称和版本。

curl -sS -X POST "https://api.fastino.ai/v1/training/jobs" \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "support-request-extractor",
    "base_model": "BASE_MODEL_ID_FROM_CATALOG",
    "datasets": [
      {
        "name": "READY_DATASET_NAME",
        "version": "VERSION_NUMBER"
      }
    ],
    "training_type": "lora"
  }' | tee training-job.json

响应就是已创建的任务记录。保存其 id：

export TRAINING_JOB_ID="$(jq -r '.id' training-job.json)"
test "$TRAINING_JOB_ID" != "null"

可选配置任务字段请参阅创建任务 API 参考。

4. 轮询任务

轮询 GET /v1/training/jobs/{job_id}，直到 is_terminal_status 为 true：

while true; do
  if ! JOB="$(
    curl --fail-with-body -sS \
      "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID" \
      -H "X-API-Key: $FASTINO_API_KEY"
  )"; then
    echo "Could not read training job" >&2
    exit 1
  fi

  echo "$JOB" | jq -e 'has("is_terminal_status")' >/dev/null || {
    echo "Training response has no terminal-state field" >&2
    exit 1
  }

  echo "$JOB" | jq '{
    normalized_status,
    is_terminal_status,
    error_message,
    is_deployable,
    deployability_reason
  }'

  [ "$(echo "$JOB" | jq -r '.is_terminal_status')" = "true" ] && break
  sleep 10
done

有关配置任务状态和终止状态的指导，请参阅训练 API 概览。

5. 查看日志和检查点

需要进度或失败详情时读取日志：

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/logs" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

列出 Fastino 创建的检查点：

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints" \
  -H "X-API-Key: $FASTINO_API_KEY" | tee training-checkpoints.json | jq

export CHECKPOINT_ID="$(
  jq -r '[.checkpoints[] | select(.is_deployable == true)] | first | .id // empty' \
    training-checkpoints.json
)"
test -n "$CHECKPOINT_ID"

有关响应字段，请参阅日志和检查点。

6. 部署训练后的模型

部署前，请检查已完成任务的 is_deployable 和 deployability_reason 字段：

curl --fail-with-body -sS -X POST \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/$CHECKPOINT_ID/deploy" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

再次轮询任务，直到其部署状态就绪。训练任务 ID 是托管推理所使用的模型标识符。

7. 运行 GLiNER 推理

curl --fail-with-body -sS \
  "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"$TRAINING_JOB_ID\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": \"Ada Lovelace worked in London.\"
      }
    ],
    \"schema\": {
      \"entities\": [
        {\"name\": \"person\"},
        {\"name\": \"location\"}
      ]
    }
  }" | jq -r '.choices[0].message.content | fromjson'

调用 GLiNER

通过 POST /v1/chat/completions 使用 GLiNER 进行抽取或分类。

安装 GLiNER 智能体技能

可选择为 Cursor、Claude Code 或 Codex 提供托管式 GLiNER 工作流。

开始使用

决策模型

实体与分类

训练 API

推理 API

故障排除

SDK 集成

模型

账户

开始之前

1. 选择任务

抽取

分类

2. 查询可训练模型

3. 创建配置任务

4. 轮询任务

5. 查看日志和检查点

6. 部署训练后的模型

7. 运行 GLiNER 推理

调用 GLiNER

安装 GLiNER 智能体技能

​开始之前

​1. 选择任务

抽取

分类

​2. 查询可训练模型

​3. 创建配置任务

​4. 轮询任务

​5. 查看日志和检查点

​6. 部署训练后的模型

​7. 运行 GLiNER 推理

调用 GLiNER

安装 GLiNER 智能体技能

开始之前

1. 选择任务

2. 查询可训练模型

3. 创建配置任务

4. 轮询任务

5. 查看日志和检查点

6. 部署训练后的模型

7. 运行 GLiNER 推理