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 "Content-Type: application/json" \
  -d '{
    "model_name": "my-model-name",
    "base_model": "fastino/gliner2-multi-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",
  "model_name": "my-model-name",
  "base_model": "fastino/gliner2-multi-v1",
  "status": "requested",
  "training_type": "lora",
  "nr_epochs": 5,
  "learning_rate": 5e-5,
  "validation_data_percentage": 0.2
}

POST /v1/training-jobs Erstellt einen asynchronen Trainingsjob und gibt dessen Job-Datensatz zurück. Dieser Endpunkt ist auf 20 Anfragen pro Minute pro Benutzer begrenzt.

Request

string

erforderlich

Ihr Fastino-API-Schlüssel.

string

erforderlich

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

string

erforderlich

Eine trainierbare Modell-ID aus GET /v1/base-models?supports_training=true oder eine unterstützte Checkpoint-UUID.

object[]

erforderlich

Eine oder mehrere Datensatzreferenzen. 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 1.

integer

Standard:"100"

Maximale Anzahl an Epochen. Muss mindestens 1 sein; Early Stopping kann früher beenden.

number

Positive maximale Lernrate. Lassen Sie das Feld weg, um das Trainingsrezept des ausgewählten Modells zu verwenden.

integer

Standard:"4"

Batch-Größe pro Gerät. Am besten weglassen, damit der Trainingsdienst den modellspezifischen Standardwert anwenden oder sicher begrenzen kann.

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.

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. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.

integer

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

number

LoRA-Dropout. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.

boolean

Packt kurze Beispiele für kompatible Decoder-LoRA-Jobs.

boolean

Standard:"false"

Option zur Loss-Maskierung im Decoder. Nicht unterstützte Kombinationen werden abgelehnt.

number

Warmup-Anteil von 0 bis 1. warmup_steps hat Vorrang.

integer

Positive absolute Anzahl an Warmup-Schritten.

string

Standard:"cosine"

Zeitplan für die Lernrate: constant, linear oder cosine.

number

Standard:"0.01"

Nicht-negativer AdamW-Weight-Decay.

integer

Standard:"3"

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

number

Standard:"0.0001"

Minimale Verbesserung des Validierungs-Loss, die als Fortschritt zählt.

string

Fixiert einen kompatiblen Trainingsanbieter. Weglassen für automatische Auswahl.

string

Kanonischer System-Prompt für kompatibles Decoder-Training.

number

Lernrate des GLiNER-Encoders. Fällt auf learning_rate zurück.

number

Lernrate des GLiNER-Task-Head. Fällt auf learning_rate zurück.

integer

Positive Anzahl an Mini-Batch-Akkumulationen.

boolean

Aktiviert die automatische Größenanpassung des GLiNER-Datensatzes.

integer

Untere Schranke der GLiNER-Auto-Größenanpassung.

integer

Obere Schranke der GLiNER-Auto-Größenanpassung.

integer

Skalierungsfaktor pro Label bei der GLiNER-Auto-Größenanpassung.

integer

Minimale Anzahl an GLiNER-Optimizer-Schritten.

string

Standard:"sft"

sft, grpo oder dpo. GRPO erfordert rl_config.reward_type. DPO-Datensätze benötigen die Spalten prompt, chosen und rejected.

object

Algorithmusspezifische Einstellungen. Gemeinsame Schlüssel sind max_steps und logging_steps. GRPO unterstützt reward_type, kl_beta, group_size, sampling_temperature und max_completion_length. DPO unterstützt dpo_beta und loss_type. Der GRPO-Reward llm_as_judge unterstützt außerdem llm_judge_model, llm_judge_rubric, llm_judge_score_scale, llm_judge_timeout_s, llm_judge_max_concurrent, llm_judge_max_retries und llm_judge_retry_backoff_s.

curl -X POST https://api.fastino.ai/v1/training-jobs \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-model-name",
    "base_model": "fastino/gliner2-multi-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.

{
  "id": "3fa85f64-5717-4562-b3fc-2c963f66afa6",
  "model_name": "my-model-name",
  "base_model": "fastino/gliner2-multi-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.

⌘I

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

Erste Schritte

Kernkonzepte

Trainings-API

API-Referenz

Konto

Änderungsprotokoll

Request

Response

​Request

​Response

Request

Response