Trainingsdatensätze vorbereiten und hochladen

Trainingsjobs referenzieren fertige Datensätze über ihren Namen. Bereiten Sie eine JSONL-Datei vor, laden Sie sie über die zweistufige Datensatz-API hoch und vergewissern Sie sich, dass die verarbeitete Version existiert, bevor Sie POST /v1/training/jobs aufrufen.

Datensatzformat wählen

Jede Zeile der Datei muss ein JSON-Objekt sein. Verwenden Sie innerhalb eines Datensatzes durchgehend dieselbe Struktur.

Named Entity Recognition

Verwenden Sie text zusammen mit einer entities-Liste aus [span, label]-Paaren. Jeder Span muss im Text vorkommen, der Abgleich unterscheidet jedoch nicht zwischen Groß- und Kleinschreibung: "ada lovelace" ist für "Ada Lovelace" gültig. Nehmen Sie Negativbeispiele mit einer leeren Liste auf.

{"text":"Ada Lovelace worked in London.","entities":[["Ada Lovelace","PERSON"],["London","LOCATION"]]}
{"text":"No tagged entities here.","entities":[]}

Klassifizierung

Verwenden Sie label für Daten mit einem Label oder labels für Multi-Label-Daten. Verwenden Sie in jeder Zeile dasselbe Feld.

{"text":"The setup was straightforward.","label":"positive"}
{"text":"The request needs technical help.","label":"technical"}

GLiNER2-Bibliotheksformat

NER- und Klassifizierungsuploads akzeptieren auch das kanonische GLiNER2-Format mit input und output. Ordnen Sie bei NER jedem Entity-Label die passenden Spans zu:

{"input":"Ada Lovelace worked in London.","output":{"entities":{"PERSON":["Ada Lovelace"],"LOCATION":["London"]}}}
{"input":"No tagged entities here.","output":{"entities":{"PERSON":[],"LOCATION":[]}}}

Bei der Klassifizierung kann classifications pro Zeile eine oder mehrere Aufgaben enthalten:

{"input":"jump now","output":{"classifications":[{"task":"action","labels":["jump","wait"],"true_label":["jump"]},{"task":"urgency","labels":["now","later"],"true_label":["now"]}]}}

Verwenden Sie pro Zeile nur eine Struktur. Mischen Sie text, label, labels oder entities nicht mit input und output in derselben Zeile.

Gemeinsames NER und Klassifizierung

Eine Zeile kann sowohl entities als auch label enthalten, um beide Köpfe zu trainieren. Behalten Sie diese gemeinsame Struktur in jeder Zeile bei und mischen Sie das Single-Label-Feld label nicht mit dem Multi-Label-Feld labels.

{"text":"Ada Lovelace worked in London.","entities":[["Ada Lovelace","PERSON"],["London","LOCATION"]],"label":"biography"}
{"text":"No tagged entities here.","entities":[],"label":"other"}

Decoder

Setzen Sie dataset_type auf decoder und geben Sie jeder Zeile ein messages-Array mit Chat-Rollen und Inhalten.

{"messages":[{"role":"user","content":"What is 2+2?"},{"role":"assistant","content":"4"}]}

Der Dataset-Dienst akzeptiert Decoder-Datensätze für Fine-Tune-Agent- und Speicher-Workflows. Config-Jobs lehnen Decoder-Basismodelle ab; behandeln Sie dataset_type: decoder daher nicht als direkten Decoder-Trainingspfad über einen Config-Job. Interaktive Jobs akzeptieren keinen Dataset-Namen. Lesen und tokenisieren Sie die Beispiele in Ihrer Anwendung und senden Sie anschließend tokenisierte Datums wie im Decoder-Schnellstart gezeigt.

Datensatz hochladen

1. Upload-URL reservieren

curl --fail-with-body -sS https://api.fastino.ai/v1/datasets/upload/url \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "dataset_name": "docs-example-ner",
    "filename": "training.jsonl",
    "dataset_type": "ner"
  }' | tee dataset-upload.json

export PRESIGNED_URL="$(jq -r '.presigned_url' dataset-upload.json)"
export DATASET_ID="$(jq -r '.dataset_id' dataset-upload.json)"
export DATASET_VERSION="$(jq -r '.version_number' dataset-upload.json)"

Die Antwort enthält eine kurzlebige presigned_url, eine dataset_id und eine version_number. Die obigen Befehle speichern alle drei Werte. Laden Sie die exakten Dateibytes an die vorab signierte URL hoch:

curl --fail-with-body -X PUT \
  -H "Content-Type: application/octet-stream" \
  --upload-file training.jsonl "$PRESIGNED_URL"

2. Hochgeladene Datei verarbeiten

curl --fail-with-body -sS https://api.fastino.ai/v1/datasets/upload/process \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d "$(jq -n --arg dataset_id "$DATASET_ID" '{dataset_id: $dataset_id}')"

Die Verarbeitung gibt 202 zurück. Fragen Sie den Datensatz über seinen Namen ab und wählen Sie den Eintrag aus, dessen version_number exakt mit der Upload-Antwort übereinstimmt. Fragen Sie weiter ab, bis der status dieser Version ready oder failed ist. Bei failed brechen Sie ab und zeigen processing_error an; verwenden Sie diese Version nicht für das Training.

curl --fail-with-body -sS https://api.fastino.ai/v1/datasets/docs-example-ner \
  -H "X-API-Key: $FASTINO_API_KEY"

Training starten

Übergeben Sie den exakten Datensatznamen an den Endpunkt zum Erstellen von Trainingsjobs:

{
  "model_name": "my-ner-model",
  "base_model": "fastino/gliner2-base-v1",
  "datasets": [
    {"name": "docs-example-ner", "version": "VERSION_NUMBER_FROM_UPLOAD"}
  ],
  "training_type": "lora"
}

Rufen Sie GET /v1/base-models?supports_training=true unmittelbar vor dem Absenden auf, um ein aktuell trainierbares Basismodell auszuwählen.

Häufige Hindernisse

Status	Ursache	Maßnahme
`401`	Fehlender oder ungültiger API-Schlüssel	Senden Sie `X-API-Key: $FASTINO_API_KEY`
`404`	Datensatzname existiert nicht	Prüfen Sie den exakten Namen und warten Sie auf die Verarbeitung
`failed`	Asynchrone Inhaltsvalidierung fehlgeschlagen	Lesen Sie `processing_error`, korrigieren Sie das JSONL und laden Sie eine neue Version hoch
`422`	Die Request-Struktur wurde vor der Verarbeitung abgelehnt	Korrigieren Sie die Request-Felder und versuchen Sie es erneut

Erste Schritte

Entscheidungsmodelle

Trainings-API

GLiNER-Modelle

Inferenz-API

Fehlerbehebung

Modelle

Konto

Trainingsdatensätze vorbereiten und hochladen

Datensatzformat wählen

Named Entity Recognition

Klassifizierung

GLiNER2-Bibliotheksformat

Gemeinsames NER und Klassifizierung

Decoder

Datensatz hochladen

1. Upload-URL reservieren

2. Hochgeladene Datei verarbeiten

Training starten

Häufige Hindernisse

Dataset-API-Verträge

Upload-URL

Upload verarbeiten

Datensätze auflisten

Dataset-Versionen

Dataset löschen

​Datensatzformat wählen

​Named Entity Recognition

​Klassifizierung

​GLiNER2-Bibliotheksformat

​Gemeinsames NER und Klassifizierung

​Decoder

​Datensatz hochladen

​1. Upload-URL reservieren

​2. Hochgeladene Datei verarbeiten

​Training starten

​Häufige Hindernisse

​Dataset-API-Verträge

Upload-URL

Upload verarbeiten

Datensätze auflisten

Dataset-Versionen

Dataset löschen

Datensatzformat wählen

Named Entity Recognition

Klassifizierung

GLiNER2-Bibliotheksformat

Gemeinsames NER und Klassifizierung

Decoder

Datensatz hochladen

1. Upload-URL reservieren

2. Hochgeladene Datei verarbeiten

Training starten

Häufige Hindernisse

Dataset-API-Verträge