Config-Trainingsjob erstellen

POST

https://api.fastino.ai

training

jobs

curl -X POST https://api.fastino.ai/v1/training/jobs \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Idempotency-Key: YOUR_UNIQUE_RETRY_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-model-name",
    "base_model": "fastino/gliner2-base-v1",
    "datasets": [{"name": "my-ready-dataset"}],
    "training_type": "lora",
    "nr_epochs": 5,
    "learning_rate": 5e-5,
    "validation_data_percentage": 0.2
  }'

{
  "id": "3fa85f64-5717-4562-b3fc-2c963f66afa6",
  "type": "config",
  "model_name": "my-model-name",
  "base_model": "fastino/gliner2-base-v1",
  "status": "requested",
  "training_type": "lora",
  "nr_epochs": 5,
  "learning_rate": 5e-5,
  "validation_data_percentage": 0.2
}

POST /v1/training/jobs Startet asynchrones verwaltetes Training (config-Job) und gibt dessen Job-Datensatz zurück. Sie stellen einen Datensatz und eine Konfiguration bereit, und Fastino führt den Trainingsloop aus. Für interaktives Training (interactive-Job), bei dem Ihre Anwendung jeden Trainingsschritt steuert, folgen Sie dem Decoder-Schnellstart, der einen interactive-Job über POST /v1/training/jobs/create-model oder das unterstützte Tinker SDK erstellt. Dieser Endpunkt erstellt keine interaktiven Jobs. Nach der Erstellung verwenden beide Jobtypen ihre kanonischen IDs mit den dokumentierten Lebenszyklusoperationen unter /v1/training/jobs/{job_id}. config-Jobs trainieren Encoder-Modelle, die von GET /v1/base-models?supports_training=true zurückgegeben werden und eine kompatible Dispatch-Route für config-Jobs haben. Decoder-Basismodelle geben 400 zurück; trainieren Sie Decoder stattdessen mit einem interactive-Job. Dieser Endpunkt ist auf 20 Anfragen pro Minute pro Benutzer begrenzt.

Request

string

erforderlich

Ihr Fastino-API-Schlüssel.

string

Vom Client erzeugter Retry-Schlüssel mit 1–255 Zeichen; eine UUID wird empfohlen. Derselbe Schlüssel mit demselben Body gibt den ursprünglichen Job zurück. Derselbe Schlüssel mit einem anderen Body gibt 422 zurück.

string

erforderlich

Anzeigename für das trainierte Modell. Länge: 1–100 Zeichen.

string

erforderlich

Eine trainierbare Encoder-ID aus GET /v1/base-models?supports_training=true. Der ausgewählte training_type muss eine kompatible Dispatch-Route haben. Checkpoint-UUIDs und Decoder-Basismodelle geben 400 zurück.

object[]

erforderlich

Eine oder mehrere Referenzen auf hochgeladene Datensätze. Jeder Eintrag benötigt name und kann version enthalten; ausgelassene Versionen werden auf die neueste Version aufgelöst.

string

Standard:"lora"

lora oder full. Das ausgewählte Basismodell muss den angeforderten Typ unterstützen.

number

Standard:"0.2"

Für die Validierung zurückgehaltener Anteil, von 0 bis 0.9 in Schritten von 0.01.

integer

Standard:"100"

Maximale Anzahl an Epochen, von 1 bis 10000; Early Stopping kann früher beenden.

number

Maximale Lernrate von 1e-8 bis 1. Lassen Sie das Feld weg, um das Trainingsrezept des ausgewählten Modells zu verwenden.

integer

Batch-Größe pro Gerät von 1 bis 256. Lassen Sie sie weg, um die default_training_batch_size des Modells aus GET /v1/base-models?supports_training=true zu verwenden. Ein Wert über der max_training_batch_size des Modells gibt 422 zurück, sofern der Katalog eine veröffentlicht. Passt ein GLiNER-Batch nicht auf die Trainings-GPU, wird er auf die größte passende Größe verkleinert; batch_size im Job zeigt die tatsächlich verwendete Größe.

integer

Optionaler Reproduzierbarkeits-Seed von 0 bis 2147483647. Setzen Sie provider_name auf modal, wenn Sie ihn verwenden. Ein Seed reduziert eine Quelle von Variation, garantiert jedoch keine bit-identischen GPU-Läufe.

string

UUID des Projekts. Wird das Feld weggelassen, ordnet Fastino den Job dem Standardprojekt des Aufrufers zu.

Anzeigen Zusätzliche Trainingsparameter

integer

Standard:"100"

Speichert alle N Schritte einen Checkpoint, mit N von 1 bis 2147483647.

boolean

Standard:"false"

Persistiert ein strukturiertes Trainingsprofil als Artefakt.

string

Optionaler Weights-&-Biases-API-Schlüssel. Behandeln Sie ihn als Secret und legen Sie ihn niemals in der Versionskontrolle, in Logs oder in Beispielen ab.

integer

LoRA-Rang von 1 bis 256. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.

integer

Positives LoRA-Alpha bis 2147483647. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.

number

LoRA-Dropout von 0 (inklusive) bis 1 (exklusive). Lassen Sie das Feld weg, um das Modellrezept zu verwenden.

number

Warmup-Anteil von 0 bis 1. Verwenden Sie dieses Feld für GLiNER-Jobs.

integer

Absolute Anzahl an Warmup-Schritten von 1 bis 2147483647. GLiNER-Jobs lehnen dieses Feld mit 422 unsupported_encoder_scheduling ab; verwenden Sie warmup_ratio.

string

Zeitplan für die Lernrate: constant, linear oder cosine. Ohne dieses Feld verwendet GLiNER linear; nur ein expliziter Wert wird weitergegeben.

number

Wird aus Kompatibilitätsgründen akzeptiert, aber nicht an das GLiNER-Training weitergegeben. GLiNER verwendet den Container-Standardwert 0.01.

integer

Standard:"3"

Validierungs-Epochen ohne Verbesserung, bevor gestoppt wird, von 0 bis 10000. Auf 0 setzen, um es zu deaktivieren.

number

Standard:"0.0001"

Nicht-negative minimale Verbesserung des Validierungs-Loss, die als Fortschritt zählt.

string

Fixiert einen kompatiblen Trainingsanbieter. Weglassen für automatische Auswahl.

number

Lernrate des GLiNER-Encoders von 1e-8 bis 1. Fällt auf learning_rate zurück.

number

Lernrate des GLiNER-Task-Head von 1e-8 bis 1. Fällt auf learning_rate zurück.

integer

Positive Anzahl an Mini-Batch-Akkumulationen, bis 2147483647.

boolean

Aktiviert die automatische Größenanpassung des GLiNER-Datensatzes.

integer

Untere Schranke der GLiNER-Auto-Größenanpassung von 1 bis 2147483647.

integer

Obere Schranke der GLiNER-Auto-Größenanpassung von 1 bis 2147483647.

integer

Skalierungsfaktor pro Label bei der GLiNER-Auto-Größenanpassung von 1 bis 2147483647.

integer

Minimale Anzahl an GLiNER-Optimizer-Schritten von 0 bis 2147483647.

integer

Intervall für periodische GLiNER2-Validierung, von 1 bis 2147483647 Optimizer-Schritten. Weglassen, um nur am Epochenende zu validieren.

integer

Obergrenze pro Datensatz für periodische GLiNER2-Validierung, von 1 bis 2147483647. Weglassen, um keine Obergrenze zu setzen.

integer

Maximale GLiNER-Eingabelänge, von 1 bis 2147483647 Tokens. Weglassen, um das Kontextlimit des Modells zu verwenden. Ein Wert über der max_training_length des Modells aus GET /v1/base-models?supports_training=true gibt 422 zurück.

integer

Maximale Anzahl beibehaltener GLiNER2-Gold-Spans pro Abfrage, von 1 bis 1024. Weglassen, um 32 zu verwenden.

string

GLiNER2-Verhalten, wenn die Gold-Spans max_gold_per_query überschreiten: raise, truncate_with_warning oder skip_sample. Weglassen, um raise zu verwenden.

string

Standard:"sft"

config-Jobs unterstützen nur sft. Weglassen, um den Standard zu verwenden.

curl -X POST https://api.fastino.ai/v1/training/jobs \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Idempotency-Key: YOUR_UNIQUE_RETRY_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-model-name",
    "base_model": "fastino/gliner2-base-v1",
    "datasets": [{"name": "my-ready-dataset"}],
    "training_type": "lora",
    "nr_epochs": 5,
    "learning_rate": 5e-5,
    "validation_data_percentage": 0.2
  }'

Response

Gibt 200 mit dem vollständigen Trainings-Job-Datensatz zurück, einschließlich einer UUID id und dem Anfangsstatus. Das folgende Beispiel ist gekürzt; die tatsächliche Antwort enthält alle durch TrainingJobResponse definierten Felder.

{
  "id": "3fa85f64-5717-4562-b3fc-2c963f66afa6",
  "type": "config",
  "model_name": "my-model-name",
  "base_model": "fastino/gliner2-base-v1",
  "status": "requested",
  "training_type": "lora",
  "nr_epochs": 5,
  "learning_rate": 5e-5,
  "validation_data_percentage": 0.2
}

Speichern Sie die id aus dieser Antwort. Sie verwenden sie, um den Status abzufragen, Metriken und Artefakte abzurufen und Inferenz gegen das trainierte Modell auszuführen. Ein fehlerhaft aufgebauter Body gibt 422 zurück. Eine gültige, aber nicht verfügbare Kombination aus Modell, Datensatz, Trainingstyp oder Anbieter gibt einen anfragespezifischen 4xx-Fehler zurück. Die Erstellung kann folgende codierte Konflikte zurückgeben:

Status	Bedeutung
`402`	Das Konto wurde noch nie aufgeladen oder sein Guthaben ist aufgebraucht.
`403`	Eine Zahlungsmethode, eine Kontoanforderung oder die Teamrolle des Aufrufers verhindert die Erstellung.
`409 duplicate_training_submission`	In den letzten 60 Sekunden wurde ein identischer aktiver Job eingereicht. Fragen Sie die `job_id` aus dem Fehler ab, statt erneut einzureichen.
`409 idempotency_key_job_deleted`	Der ursprünglich mit diesem Idempotenzschlüssel erstellte Job wurde gelöscht. Verwenden Sie für einen neuen Job einen neuen Schlüssel.
`409`	Ein referenzierter Datensatz wurde zwischen der Validierung und dem Anlegen des Jobs außer Betrieb genommen. Klären Sie das Problem mit dem Datensatz und versuchen Sie es mit einem neuen Schlüssel erneut.
`422 idempotency_key_reused`	Derselbe `Idempotency-Key` wurde mit einem anderen Request-Body verwendet. Verwenden Sie zum Wiederholen den ursprünglichen Body oder für einen neuen Job einen neuen Schlüssel.
`422 catalog_training_shape_exceeded`	`batch_size` liegt über der `max_training_batch_size` des Modells oder `max_length` über seiner `max_training_length`. Lesen Sie beide aus `GET /v1/base-models?supports_training=true` und senden Sie Werte innerhalb dieser Limits.
`429`	Das Anfrage- oder das Limit aktiver `config`-Jobs wurde überschritten. Ein Benutzer kann höchstens 25 aktive `config`-Jobs haben.
`503`	Der Abrechnungsstatus konnte nicht geprüft werden oder alle Trainingsanbieter sind ausgelastet. Versuchen Sie es später mit demselben `Idempotency-Key` erneut.

Derselbe Idempotency-Key und ein identischer Body geben den ursprünglichen Job erneut zurück, statt einen weiteren zu erstellen. Ein geänderter Body mit demselben Schlüssel gibt 422 zurück. Die 60-Sekunden-Prüfung auf identische Einreichungen ist von der Wiederholung per Idempotenzschlüssel unabhängig. Nach diesem Zeitfenster erstellt und berechnet derselbe Body einen weiteren Job, wenn der ursprüngliche Schlüssel nicht wiederverwendet wird. Ist der gewünschte Modellname bereits vergeben, erhält der nächste Job ein Suffix wie <name>_2. Ein Decoder-Basismodell gibt 400 zurück:

{
  "error": {
    "message": "Decoder training on this route is retired: 'Qwen/Qwen3.6-35B-A3B' cannot be trained here. Train decoders step by step with the training job routes under /v1/training/jobs (see https://docs.fastino.ai/training/quickstart).",
    "type": "invalid_request_error",
    "param": null,
    "code": null
  }
}

Um einen Decoder zu trainieren, erstellen Sie einen interactive-Job mit POST /v1/training/jobs/create-model und folgen dem Decoder-Schnellstart.

Autorisierung

Erfordert die Teamrolle Owner, Admin oder Editor. Andere Rollen erhalten 403 Forbidden.

curl -X POST https://api.fastino.ai/v1/training/jobs \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Idempotency-Key: YOUR_UNIQUE_RETRY_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-model-name",
    "base_model": "fastino/gliner2-base-v1",
    "datasets": [{"name": "my-ready-dataset"}],
    "training_type": "lora",
    "nr_epochs": 5,
    "learning_rate": 5e-5,
    "validation_data_percentage": 0.2
  }'

{
  "id": "3fa85f64-5717-4562-b3fc-2c963f66afa6",
  "type": "config",
  "model_name": "my-model-name",
  "base_model": "fastino/gliner2-base-v1",
  "status": "requested",
  "training_type": "lora",
  "nr_epochs": 5,
  "learning_rate": 5e-5,
  "validation_data_percentage": 0.2
}

​Request

​Response

​Autorisierung

Request

Response

Autorisierung