> ## 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/openapi.json as the source of truth for customer-facing Fastino API routes. Only call operations present in that specification. Do not infer or call undocumented routes. Direct Fastino API integrations use https://api.fastino.ai, /v1 routes, and FASTINO_API_KEY.

# Trainingsjob erstellen

> Reichen Sie einen Fastino-Fine-Tuning-Job ein.

`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

<ParamField header="X-API-Key" type="string" required>
  Ihr Fastino-API-Schlüssel.
</ParamField>

<ParamField body="model_name" type="string" required>
  Anzeigename für das trainierte Modell. Länge: 1–100 Zeichen.
</ParamField>

<ParamField body="base_model" type="string" required>
  Eine trainierbare Modell-ID aus `GET /v1/base-models?supports_training=true` oder eine unterstützte Checkpoint-UUID.
</ParamField>

<ParamField body="datasets" type="object[]" required>
  Eine oder mehrere Datensatzreferenzen. Jeder Eintrag benötigt `name` und kann `version` enthalten; ausgelassene Versionen werden auf die neueste Version aufgelöst.
</ParamField>

<ParamField body="training_type" type="string" default="lora">
  `lora` oder `full`. Das ausgewählte Basismodell muss den angeforderten Typ unterstützen.
</ParamField>

<ParamField body="validation_data_percentage" type="number" default="0.2">
  Für die Validierung zurückgehaltener Anteil, von `0` bis `1`.
</ParamField>

<ParamField body="nr_epochs" type="integer" default="100">
  Maximale Anzahl an Epochen. Muss mindestens `1` sein; Early Stopping kann früher beenden.
</ParamField>

<ParamField body="learning_rate" type="number">
  Positive maximale Lernrate. Lassen Sie das Feld weg, um das Trainingsrezept des ausgewählten Modells zu verwenden.
</ParamField>

<ParamField body="batch_size" type="integer" default="4">
  Batch-Größe pro Gerät. Am besten weglassen, damit der Trainingsdienst den modellspezifischen Standardwert anwenden oder sicher begrenzen kann.
</ParamField>

<ParamField body="seed" type="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.
</ParamField>

<ParamField body="project_id" type="string">
  UUID des Projekts. Wird das Feld weggelassen, ordnet Fastino den Job dem Standardprojekt des Aufrufers zu.
</ParamField>

<Expandable title="Zusätzliche Trainingsparameter">
  <ParamField body="save_steps" type="integer" default="100">
    Speichert alle N Schritte einen Checkpoint.
  </ParamField>

  <ParamField body="profile_training" type="boolean" default="false">
    Persistiert ein strukturiertes Trainingsprofil als Artefakt.
  </ParamField>

  <ParamField body="wandb_api_key" type="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.
  </ParamField>

  <ParamField body="lora_r" type="integer">
    LoRA-Rang. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.
  </ParamField>

  <ParamField body="lora_alpha" type="integer">
    LoRA-Alpha. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.
  </ParamField>

  <ParamField body="lora_dropout" type="number">
    LoRA-Dropout. Lassen Sie das Feld weg, um das Modellrezept zu verwenden.
  </ParamField>

  <ParamField body="packing" type="boolean">
    Packt kurze Beispiele für kompatible Decoder-LoRA-Jobs.
  </ParamField>

  <ParamField body="mask_history" type="boolean" default="false">
    Option zur Loss-Maskierung im Decoder. Nicht unterstützte Kombinationen werden abgelehnt.
  </ParamField>

  <ParamField body="warmup_ratio" type="number">
    Warmup-Anteil von `0` bis `1`. `warmup_steps` hat Vorrang.
  </ParamField>

  <ParamField body="warmup_steps" type="integer">
    Positive absolute Anzahl an Warmup-Schritten.
  </ParamField>

  <ParamField body="lr_scheduler_type" type="string" default="cosine">
    Zeitplan für die Lernrate: `constant`, `linear` oder `cosine`.
  </ParamField>

  <ParamField body="weight_decay" type="number" default="0.01">
    Nicht-negativer AdamW-Weight-Decay.
  </ParamField>

  <ParamField body="early_stopping_patience" type="integer" default="3">
    Validierungs-Epochen ohne Verbesserung, bevor gestoppt wird. Auf `0` setzen, um es zu deaktivieren.
  </ParamField>

  <ParamField body="early_stopping_min_delta" type="number" default="0.0001">
    Minimale Verbesserung des Validierungs-Loss, die als Fortschritt zählt.
  </ParamField>

  <ParamField body="provider_name" type="string">
    Fixiert einen kompatiblen Trainingsanbieter. Weglassen für automatische Auswahl.
  </ParamField>

  <ParamField body="system_prompt" type="string">
    Kanonischer System-Prompt für kompatibles Decoder-Training.
  </ParamField>

  <ParamField body="encoder_learning_rate" type="number">
    Lernrate des GLiNER-Encoders. Fällt auf `learning_rate` zurück.
  </ParamField>

  <ParamField body="task_learning_rate" type="number">
    Lernrate des GLiNER-Task-Head. Fällt auf `learning_rate` zurück.
  </ParamField>

  <ParamField body="gradient_accumulation_steps" type="integer">
    Positive Anzahl an Mini-Batch-Akkumulationen.
  </ParamField>

  <ParamField body="auto_data_sizing" type="boolean">
    Aktiviert die automatische Größenanpassung des GLiNER-Datensatzes.
  </ParamField>

  <ParamField body="min_samples_per_dataset" type="integer">
    Untere Schranke der GLiNER-Auto-Größenanpassung.
  </ParamField>

  <ParamField body="max_samples_per_dataset" type="integer">
    Obere Schranke der GLiNER-Auto-Größenanpassung.
  </ParamField>

  <ParamField body="samples_per_label" type="integer">
    Skalierungsfaktor pro Label bei der GLiNER-Auto-Größenanpassung.
  </ParamField>

  <ParamField body="min_training_steps" type="integer">
    Minimale Anzahl an GLiNER-Optimizer-Schritten.
  </ParamField>

  <ParamField body="training_algorithm" type="string" default="sft">
    `sft`, `grpo` oder `dpo`. GRPO erfordert `rl_config.reward_type`. DPO-Datensätze benötigen die Spalten `prompt`, `chosen` und `rejected`.
  </ParamField>

  <ParamField body="rl_config" type="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`.
  </ParamField>
</Expandable>

<RequestExample>
  ```bash cURL theme={null}
  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
    }'
  ```
</RequestExample>

## Response

Gibt `200` mit dem vollständigen Trainings-Job-Datensatz zurück, einschließlich einer UUID `id` und dem Anfangsstatus.

<ResponseExample>
  ```json Response theme={null}
  {
    "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
  }
  ```
</ResponseExample>

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.