编码器快速入门

本快速入门通过托管配置任务微调 GLiNER 编码器，由 Fastino 运行训练循环。要通过应用控制的训练循环训练 Nemotron 或 Qwen 解码器 LLM，请参阅解码器快速入门。

1. 身份验证

创建 Fastino 账户。
打开 API 密钥页面。
创建密钥，并在显示时复制。

将密钥存储在环境变量中：

export FASTINO_API_KEY="fast_sk_..."

$env:FASTINO_API_KEY = "fast_sk_..."

以 X-API-Key: $FASTINO_API_KEY 发送此密钥。完整的身份验证契约请参阅身份验证。

2. 准备数据集

上传并处理训练数据集，然后等待其版本变为 ready。

3. 选择模型

托管训练支持 fastino/gliner2-multi-v1 和 fastino/GLiNER-2.5-Decide。提交前查询实时目录：

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

保存所选模型的 ID。

4. 创建任务

curl -X POST "https://api.fastino.ai/v1/training/jobs" \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $(uuidgen)" \
  -d '{
    "model_name": "my-trained-model",
    "base_model": "MODEL_ID_FROM_CATALOG",
    "datasets": [
      {"name": "my-ready-dataset", "version": "VERSION_NUMBER"}
    ],
    "training_type": "lora"
  }'

保存返回的 id。它就是所有任务专属路由使用的 job_id。仅在重试完全相同的创建请求时复用同一个 Idempotency-Key。

5. 轮询任务

curl "https://api.fastino.ai/v1/training/jobs/JOB_ID" \
  -H "X-API-Key: $FASTINO_API_KEY"

对于配置任务：

status 是持久化的生命周期值，例如 errored。
normalized_status 是稳定的轮询值，例如 failed。
is_terminal_status 告知客户端何时停止轮询。
error_message 在可用时说明失败原因。

继续轮询，直到 is_terminal_status 为 true，然后检查最终状态、检查点、日志和部署资格。

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

1. 身份验证

2. 准备数据集

3. 选择模型

4. 创建任务

5. 轮询任务

继续

数据集

解码器快速入门

​1. 身份验证

​2. 准备数据集

​3. 选择模型

​4. 创建任务

​5. 轮询任务

​继续

数据集

解码器快速入门

1. 身份验证

2. 准备数据集

3. 选择模型

4. 创建任务

5. 轮询任务

继续