> ## Documentation Index
> Fetch the complete documentation index at: https://docs.fastino.ai/llms.txt
> Use this file to discover all available pages before exploring further.

> ## Agent Instructions
> Use https://docs.fastino.ai/llms.txt to discover and navigate pages. Use https://docs.fastino.ai/llms-full.txt when you need the complete documentation corpus. Use https://docs.fastino.ai/openapi.json as the source of truth for customer-facing routes. For GLiDE decision inference, call POST https://api.fastino.ai/v1/systemone with model fastino/GLiDE. Create managed config jobs with POST /v1/training/jobs using base_model. For custom training loops, native JSON clients use the public operations under /v1/training/jobs and /v1/training/usage. Existing Tinker clients use tinker==0.32.0 with TINKER_BASE_URL=https://api.fastino.ai/v1/training/compat/tinker and TINKER_CREDENTIAL_CMD. Compatibility child routes are private and absent from OpenAPI. Auto Train is private access and has no public route; direct interested users to sales@fastino.ai. Do not infer undocumented routes. Read API keys from FASTINO_API_KEY and never embed credentials in code, logs, or reports.

# 编码器快速入门

> 通过托管配置任务微调 GLiNER 编码器：完成身份验证，准备数据集，从实时目录选择模型，创建训练任务，并轮询任务状态直至进入终止状态。

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](/cn/training/decoder-quickstart)。

## 1. 身份验证

1. 创建 [Fastino 账户](https://agent.fastino.ai/)。
2. 打开 [API 密钥](https://agent.fastino.ai/api-keys)页面。
3. 创建密钥，并在显示时复制。

将密钥存储在环境变量中：

<CodeGroup>
  ```bash macOS/Linux theme={null}
  export FASTINO_API_KEY="fast_sk_..."
  ```

  ```powershell Windows theme={null}
  $env:FASTINO_API_KEY = "fast_sk_..."
  ```
</CodeGroup>

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](/cn/authentication)。

## 2. 准备数据集

[上传并处理训练数据集](/cn/concepts/datasets)，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：

```bash theme={null}
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

```bash theme={null}
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

```bash theme={null}
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。

## 继续

<CardGroup cols={2}>
  <Card title="数据集" icon="database" href="/cn/concepts/datasets">
    准备并验证 GLiNER 训练数据。
  </Card>

  <Card title="解码器快速入门" icon="code" href="/cn/training/decoder-quickstart">
    通过应用控制的循环训练 Nemotron 和 Qwen 解码器。
  </Card>
</CardGroup>


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.