Skip to main content
Nachfolgend finden Sie Antworten auf die häufigsten Fragen zu Fastino. Wenn Sie nicht finden, wonach Sie suchen, wenden Sie sich an das Team unter support@fastino.ai. Den aktuellen Dienststatus und Störungsmeldungen finden Sie unter pioneerai.statuspage.io.
Fastino ist darauf ausgelegt, das Fine-Tuning von Small Language Models (SLMs) so einfach wie möglich zu machen. Der gesamte Prozess umfasst vier Schritte:
  1. Datensatz erstellen - Laden Sie Ihre eigenen Daten hoch oder generieren Sie synthetische Beispiele mit dem integrierten Tool für synthetische Daten von Fastino. Siehe Synthetische Daten.
  2. Trainingsjob starten - Wählen Sie ein Basismodell, verweisen Sie auf Ihren Datensatz und reichen Sie den Job ein. Alle Hyperparameter haben sinnvolle Standardwerte, sodass Sie für den Einstieg nichts anpassen müssen. Siehe Training.
  3. Auf den Abschluss warten - Ihr Job durchläuft pending → running → complete. Kleine Datensätze sind in der Regel in wenigen Minuten fertig.
  4. Inferenz ausführen - Verwenden Sie Ihre Job-ID als Modellbezeichner. Encoder-Modelle akzeptieren einen Text und ein Schema; Decoder-Modelle sind OpenAI-kompatibel. Siehe Inferenz.
Eine vollständige Schritt-für-Schritt-Anleitung finden Sie im Leitfaden zum NER-Fine-Tuning oder im Leitfaden zum LLM-Fine-Tuning.
Nein. Speicher ist für alle Datensätze in jedem Tarif kostenlos. Für die Datensätze, die Sie in Fastino erstellen oder hochladen, werden Ihnen keine Kosten berechnet.
Beschreiben Sie Ihre Domäne und die Labels, für die Sie trainieren möchten, und Fastino generiert realistische, gelabelte Beispiele in großem Umfang. So können Sie einen Trainingsdatensatz ganz ohne manuelle Annotation aufbauen - nützlich, wenn Sie bei null anfangen oder die Abdeckung von Grenzfällen erweitern müssen.
Fastino unterstützt Nemotron 3.5 Lightning, DeepSeek V4 Flash, GLM 5.2, Claude Opus/Sonnet/Haiku 5 sowie die GPT-5.5- und GPT-5.6-Familie über eine einheitliche API.
Ersetzen Sie den Modellnamen durch einen anderen unterstützten Decoder, etwa deepseek-ai/DeepSeek-V4-Flash, zai-org/GLM-5.2, claude-sonnet-5 oder gpt-5.6-terra. Den vollständigen aktuellen Katalog erhalten Sie über GET /v1/base-models. Alle Details finden Sie unter Inferenz.
Ja, standardmäßig kann Fastino Ihre Daten zur Verbesserung von Modellen verwenden. In den Tarifen Pro und Custom können Sie dies jedoch deaktivieren. Custom-Tarife ermöglichen es Ihnen außerdem, das Fine-Tuning privat in Ihrer eigenen VPC auszuführen, sodass Ihre Daten Ihre Infrastruktur nie verlassen.Kontaktieren Sie das Team, um mehr über die Optionen des Custom-Tarifs zu erfahren.
Teams in Fastino dienen der gemeinsamen Abrechnung - jedes Mitglied hat weiterhin seinen eigenen privaten Workspace. Das Teilen von Modellen zwischen Teammitgliedern ist nicht direkt in Teams integriert.Wenn Sie Modelle mit Ihrem Team teilen müssen, nehmen Sie Kontakt auf, und das Team zeigt Ihnen den besten Ansatz für Ihren Anwendungsfall.
Encoder-Modelle (wie GLiNER) werden darauf trainiert, strukturierte Informationen aus Text zu verstehen und zu extrahieren; sie eignen sich ideal für NER, Klassifikation und JSON-Extraktion. Sie sind schnell, effizient und laufen auf der CPU, wodurch sie sich auch in großem Maßstab günstig bereitstellen lassen. Decoder-Modelle (wie Nemotron 3.5 Lightning) sind generativ, sie erzeugen Text und eignen sich daher für Zusammenfassungen, Q&A, Chat und das Befolgen von Anweisungen.Fastino unterstützt beide. Wenn Ihre Aufgabe eine definierte Ausgabestruktur hat (diese Entitätstypen extrahieren, in diese Kategorien klassifizieren), verwenden Sie einen Encoder. Wenn Ihre Aufgabe das Generieren von Freitext erfordert, verwenden Sie einen Decoder. Im Zweifel beginnen Sie mit einem Encoder: Er trainiert schneller, kostet weniger und ist leichter zu evaluieren.
Fastino führt nach dem Training automatisch Evaluierungen durch und meldet F1, Precision und Recall auf Ihrem zurückgehaltenen Validierungsdatensatz.Wenn Ihr Score niedriger als erwartet ist, führen Sie für ein klareres Signal eine manuelle Evaluierung anhand eines separaten Datensatzes durch. Sie können auch die Vorhersagen pro Beispiel prüfen, um festzustellen, wo das Modell versagt, und diese Lücken dann nutzen, um gezielt synthetische Daten zu generieren. Siehe Evaluierungen und Synthetische Daten.
GLiNER ist eine Open-Source-Encoder-Modellarchitektur, die speziell für Named Entity Recognition und strukturierte Extraktion entwickelt wurde. Anders als Decoder-Modelle, die Text Token für Token generieren, klassifiziert GLiNER Textspans direkt und ist dadurch bei Extraktionsaufgaben deutlich schneller und genauer.Verwenden Sie GLiNER, wenn Sie bestimmte Entitätstypen (Personen, Organisationen, Produkte, Datumsangaben) extrahieren, Text in vordefinierte Kategorien klassifizieren oder Inferenz in großem Volumen ausführen müssen, bei der Latenz und Kosten eine Rolle spielen. Die Fine-Tuning-Pipeline von Fastino ist rund um GLiNER aufgebaut. Sie gelangen in wenigen Minuten von einer Domänenbeschreibung zu einem produktionsreifen Extraktionsmodell, ohne dass Sie selbst eine GPU benötigen.
Im Rahmen der laufenden US-Exportkontrollpolitik für KI, einschließlich der im Juni 2026 erlassenen Richtlinien, haben alle Modellanbieter ihre Verfügbarkeitsrichtlinien entsprechend angepasst.
User mit Standort in Ländern, die US-Sanktionen und Exportbeschränkungen unterliegen (darunter China, Russland, Iran, Nordkorea, Kuba, Syrien und Belarus), können nicht auf Modelle in Fastino zugreifen.
Die vollständige und aktuelle Liste der unterstützten Länder finden Sie direkt bei den jeweiligen Anbietern: OpenAI, Anthropic, Google Gemini und Meta Llama 4.
Diese Richtlinien entwickeln sich laufend weiter. Wenn Sie der Meinung sind, dass Ihr Zugriff zu Unrecht eingeschränkt wurde, wenden Sie sich bitte an unser Support-Team.