> ## 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.

# Einen Checkpoint eines interaktiven Jobs bereitstellen

> Rufen Sie POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy auf, um einen Sampler-Checkpoint als trainiertes Modell auszuliefern.

`POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy`

Liefert einen Sampler-Checkpoint des Jobs als trainiertes Modell aus. Rufen Sie es mit [`POST /v1/chat/completions`](/de/api-reference/inference/chat-completions) und `"model": "<model_id>"` auf. Das Deployment ist für unterstützte Basismodelle verfügbar; andere Basismodelle geben `400` zurück.

Der `status` des Modells ist `deploying`, bis die Serving-Engine es geladen hat, danach `deployed`. Ein erneutes Deployment desselben Checkpoints gibt dasselbe Modell mit seinem aktuellen Status zurück; Sie können den Aufruf also wiederholen, um den Fortschritt zu prüfen. Ist ein früherer Versuch fehlgeschlagen, wiederholt der Aufruf ihn.

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

<ParamField path="job_id" type="string" required>
  ID des interaktiven Jobs.
</ParamField>

<ParamField path="name" type="string" required>
  Name eines mit [`save-weights-for-sampler`](/de/api-reference/training-jobs/interactive/save-weights-for-sampler) gespeicherten Sampler-Checkpoints.
</ParamField>

<ParamField body="model_name" type="string">
  Bis zu 64 Buchstaben, Ziffern, Bindestriche und Unterstriche, beginnend und endend mit einem Buchstaben oder einer Ziffer. Wird ohne Angabe aus dem Checkpoint-Namen abgeleitet. Der Body ist optional.
</ParamField>

<RequestExample>
  ```bash cURL theme={null}
  curl -X POST "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/sampler_weights/step-000100/deploy" \
    -H "X-API-Key: $FASTINO_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{"model_name": "support-replies-v1"}'
  ```
</RequestExample>

<ResponseField name="model_id" type="string">
  ID des trainierten Modells. Übergeben Sie sie für die Inferenz als `model`.
</ResponseField>

<ResponseField name="job_id" type="string">
  Der interaktive Job, der den Checkpoint gespeichert hat.
</ResponseField>

<ResponseField name="checkpoint_id" type="string">
  `sampler_weights/<name>`.
</ResponseField>

<ResponseField name="base_model" type="string">
  Das Basismodell des Modells.
</ResponseField>

<ResponseField name="project_id" type="string | null">
  Das Projekt des Jobs, falls vorhanden.
</ResponseField>

<ResponseField name="status" type="string">
  `deploying` oder `deployed`.
</ResponseField>

<ResponseExample>
  ```json Response theme={null}
  {
    "model_id": "MODEL_ID",
    "job_id": "SESSION_ID:train:0",
    "checkpoint_id": "sampler_weights/step-000100",
    "base_model": "nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16",
    "project_id": null,
    "status": "deploying"
  }
  ```
</ResponseExample>

| Status | Bedeutung |
| - | - |
| `400` | Serving ist für das Basismodell des Jobs noch nicht verfügbar, oder der Checkpoint ist kein PEFT-Adapter, den die Serving-Engine akzeptiert. |
| `404` | Der Job oder Sampler-Checkpoint existiert nicht, gehört zu einem anderen Team oder hat keine Dateien. |
| `409` | Ein anderes Modell verwendet `model_name` bereits, oder das aus diesem Checkpoint ausgelieferte Modell wurde gelöscht. Speichern Sie die Gewichte unter einem neuen Namen, um sie erneut bereitzustellen. |
| `422` | `model_name` ist ungültig oder der Body enthält ein unbekanntes Feld. |


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