Pioneer 快速入门：从注册到首次推理

本指南带你走完接入 Pioneer 的最快路径。读完本文后，你将完成一次成功的推理调用，并了解 API 的结构。你只需要一个 Pioneer 账号和一个终端。

注册并获取 API 密钥

在 pioneer.ai 上创建账号。登录后，前往 Settings → API Keys 并生成一个新的密钥。请将其复制到安全的地方 — 一旦关闭对话框，你就再也无法查看它了。

不要把 API 密钥提交到版本控制中。请使用环境变量或密钥管理工具，而不要把它硬编码在源文件里。

将密钥设置为环境变量，这样下面的示例可以直接运行：

export PIONEER_API_KEY="your_api_key_here"

列出可用的基础模型

在运行推理之前，你可以浏览 Pioneer 上可用的模型。使用 GET /base-models 查看完整目录。传入 ?supports_inference=true 可筛选出可以直接调用的模型，或传入 ?task_type=decoder 只查看 LLM。

curl https://api.pioneer.ai/base-models?supports_inference=true \
  -H "X-API-Key: $PIONEER_API_KEY"

import os
import requests

response = requests.get(
    "https://api.pioneer.ai/base-models",
    params={"supports_inference": "true"},
    headers={"X-API-Key": os.environ["PIONEER_API_KEY"]}
)
print(response.json())

const response = await fetch(
  "https://api.pioneer.ai/base-models?supports_inference=true",
  {
    headers: {
      "X-API-Key": process.env.PIONEER_API_KEY
    }
  }
);
const data = await response.json();
console.log(data);

响应中会列出可传给 /v1/chat/completions 的模型 ID。例如，fastino/gliner2-base-v1 就是用于 NER 任务的 GLiNER 基础模型。

运行第一次推理调用

调用 POST /v1/chat/completions，传入模型、消息，以及定义你希望提取内容的 schema。下面的示例使用 GLiNER 基础模型从一句话中提取命名实体。

curl -X POST https://api.pioneer.ai/v1/chat/completions \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "messages": [
      {"role": "user", "content": "Apple announced the MacBook Pro at WWDC in Cupertino."}
    ],
    "schema": {
      "entities": ["organization", "product", "event", "location"]
    },
    "threshold": 0.5
  }'

import os
import requests

response = requests.post(
    "https://api.pioneer.ai/v1/chat/completions",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model": "fastino/gliner2-base-v1",
        "messages": [{
            "role": "user",
            "content": "Apple announced the MacBook Pro at WWDC in Cupertino."
        }],
        "schema": {
            "entities": ["organization", "product", "event", "location"]
        },
        "threshold": 0.5
    }
)
print(response.json())

const response = await fetch("https://api.pioneer.ai/v1/chat/completions", {
  method: "POST",
  headers: {
    "X-API-Key": process.env.PIONEER_API_KEY,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "fastino/gliner2-base-v1",
    messages: [{
      role: "user",
      content: "Apple announced the MacBook Pro at WWDC in Cupertino."
    }],
    schema: {
      entities: ["organization", "product", "event", "location"]
    },
    threshold: 0.5
  })
});
const data = await response.json();
console.log(data);

schema 字段告诉模型要查找什么。对于编码器模型（GLiNER），你可以提供：

entities — 用于 NER 的实体类型字符串列表
classifications — 用于文本分类的 {task, labels} 对象列表
structures — 用于 JSON 提取的结构定义字典
relations — 关系定义列表

对于解码器模型（LLM），省略 schema 并发送一条普通的聊天消息即可。

model 可以是像 fastino/gliner2-base-v1 这样的基础模型 ID，也可以是某个已完成训练任务的 ID。在微调完模型后，将基础模型 ID 替换为你的任务 ID，就可以从你的自定义模型提供预测。

使用 Anthropic 兼容端点（可选）

如果你已经在使用 Anthropic SDK，将其指向 https://api.pioneer.ai 并使用你的 Pioneer API 密钥即可。

curl -X POST https://api.pioneer.ai/v1/messages \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Extract entities from: Apple launched the iPhone in San Francisco."}
    ],
    "schema": {"entities": ["organization", "product", "location"]}
  }'

通过 SDK 的 extra-body 选项传递像 schema 这样的 Pioneer 特有字段。

启动训练任务（可选）

当你准备用自己的数据进行微调时，可以启动一个训练任务。你需要先有一个已上传或已创建的数据集 — 参见数据集了解如何创建。

curl -X POST https://api.pioneer.ai/felix/training-jobs \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-ner-model",
    "base_model": "fastino/gliner2-base-v1",
    "datasets": [{"name": "my-dataset"}],
    "training_type": "lora",
    "nr_epochs": 5,
    "learning_rate": 5e-5
  }'

import os
import requests

response = requests.post(
    "https://api.pioneer.ai/felix/training-jobs",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model_name": "my-ner-model",
        "base_model": "fastino/gliner2-base-v1",
        "datasets": [{"name": "my-dataset"}],
        "training_type": "lora",
        "nr_epochs": 5,
        "learning_rate": 5e-5
    }
)
print(response.json())
# {"id": "uuid-of-training-job", "status": "requested"}

响应中会包含任务的 id。轮询 GET /felix/training-jobs/{id} 以查看状态。任务状态到达 complete 后，就可以在 /v1/chat/completions 调用中把任务 ID 用作 model。任务状态取值：requested → running → complete（或 failed / stopped）。

后续步骤

微调 NER 模型

端到端教程：数据集上传、训练、评估与推理。

微调 LLM

使用 LoRA 在你的领域数据上微调 Nemotron 3.5 Lightning。

合成数据

无需人工标注即可生成带标签的训练数据。

API 参考

每个端点的完整参考，包含请求和响应 schema。

开始使用

核心概念

API 参考

更新日志

Pioneer 快速入门：从注册到首次推理

后续步骤

微调 NER 模型

微调 LLM

合成数据

API 参考

​后续步骤

微调 NER 模型

微调 LLM

合成数据

API 参考

后续步骤