GLiNER feinabstimmen

Dieser Leitfaden erstellt einen config-Trainingsjob. Sie stellen einen bereiten Datensatz und Trainingseinstellungen bereit; Fastino führt den Trainingsloop aus.

Bevor Sie beginnen

Setzen Sie FASTINO_API_KEY wie in der Übersicht zur Training API beschrieben. Die Beispiele senden ihn im Header X-API-Key und verwenden jq, um JSON-Antworten zu lesen.

1. Aufgabe auswählen

Extraktion

Trainieren Sie GLiNER darauf, beschriftete Textspannen wie Personen, Produkte oder Orte zu finden. Bereiten Sie Zeilen mit text und entities vor und laden Sie den Datensatz als NER-Daten hoch.

Klassifikation

Trainieren Sie GLiNER darauf, Text ein oder mehrere Labels zuzuweisen. Bereiten Sie Zeilen mit text und label oder labels vor und laden Sie den Datensatz als Klassifikationsdaten hoch.

Verwenden Sie in jeder JSONL-Datei durchgehend dieselbe Zeilenstruktur. Die genauen GLiNER-JSONL-Formate, den Request für die Upload-URL, den Datei-Upload, den Verarbeitungsrequest und die Bereitschaftsprüfung finden Sie unter Trainingsdatensätze vorbereiten und hochladen. Fahren Sie erst fort, wenn die Datensatzversion ready meldet.

2. Trainierbare Modelle abfragen

Übernehmen Sie kein Basismodell fest aus einem alten Beispiel. Fragen Sie unmittelbar vor dem Erstellen des Jobs den Live-Katalog ab:

curl -sS "https://api.fastino.ai/v1/base-models?supports_training=true" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Wählen Sie ein GLiNER-Modell, das Ihre Aufgabe und den gewünschten Trainingstyp unterstützt. Kopieren Sie seine exakte ID in das Feld base_model der nativen Training API.

3. Config-Job erstellen

Ersetzen Sie unten das Katalogmodell, den Datensatznamen und die Version.

curl -sS -X POST "https://api.fastino.ai/v1/training/jobs" \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "support-request-extractor",
    "base_model": "BASE_MODEL_ID_FROM_CATALOG",
    "datasets": [
      {
        "name": "READY_DATASET_NAME",
        "version": "VERSION_NUMBER"
      }
    ],
    "training_type": "lora"
  }' | tee training-job.json

Die Antwort ist der Datensatz des erstellten Jobs. Speichern Sie seine id:

export TRAINING_JOB_ID="$(jq -r '.id' training-job.json)"
test "$TRAINING_JOB_ID" != "null"

Optionale Felder für Config-Jobs finden Sie in der API-Referenz zum Erstellen eines Jobs.

4. Job abfragen

Fragen Sie GET /v1/training/jobs/{job_id} ab, bis is_terminal_status den Wert true hat:

while true; do
  if ! JOB="$(
    curl --fail-with-body -sS \
      "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID" \
      -H "X-API-Key: $FASTINO_API_KEY"
  )"; then
    echo "Could not read training job" >&2
    exit 1
  fi

  echo "$JOB" | jq -e 'has("is_terminal_status")' >/dev/null || {
    echo "Training response has no terminal-state field" >&2
    exit 1
  }

  echo "$JOB" | jq '{
    normalized_status,
    is_terminal_status,
    error_message,
    is_deployable,
    deployability_reason
  }'

  [ "$(echo "$JOB" | jq -r '.is_terminal_status')" = "true" ] && break
  sleep 10
done

Die Status von Config-Jobs und Hinweise zu Endzuständen finden Sie in der Übersicht zur Training API.

5. Logs und Checkpoints prüfen

Lesen Sie die Logs, wenn Sie Fortschritts- oder Fehlerdetails benötigen:

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/logs" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Listen Sie die von Fastino erstellten Checkpoints auf:

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints" \
  -H "X-API-Key: $FASTINO_API_KEY" | tee training-checkpoints.json | jq

export CHECKPOINT_ID="$(
  jq -r '[.checkpoints[] | select(.is_deployable == true)] | first | .id // empty' \
    training-checkpoints.json
)"
test -n "$CHECKPOINT_ID"

Die Antwortfelder finden Sie unter Logs und Checkpoints.

6. Trainiertes Modell bereitstellen

Prüfen Sie vor der Bereitstellung die Felder is_deployable und deployability_reason des abgeschlossenen Jobs:

curl --fail-with-body -sS -X POST \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/$CHECKPOINT_ID/deploy" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Fragen Sie den Job erneut ab, bis sein Bereitstellungsstatus bereit ist. Die Trainingsjob-ID ist die Modellkennung für die gehostete Inferenz.

7. GLiNER-Inferenz ausführen

curl --fail-with-body -sS \
  "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"$TRAINING_JOB_ID\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": \"Ada Lovelace worked in London.\"
      }
    ],
    \"schema\": {
      \"entities\": [
        {\"name\": \"person\"},
        {\"name\": \"location\"}
      ]
    }
  }" | jq -r '.choices[0].message.content | fromjson'

GLiNER aufrufen

Verwenden Sie GLiNER zur Extraktion oder Klassifikation über POST /v1/chat/completions.

GLiNER Agent Skill installieren

Stellen Sie Cursor, Claude Code oder Codex optional den gehosteten GLiNER-Workflow bereit.

Erste Schritte

Entscheidungsmodelle

Entitäten und Klassifikation

Trainings-API

Inferenz-API

Fehlerbehebung

SDK-Integrationen

Modelle

Konto

Bevor Sie beginnen

1. Aufgabe auswählen

Extraktion

Klassifikation

2. Trainierbare Modelle abfragen

3. Config-Job erstellen

4. Job abfragen

5. Logs und Checkpoints prüfen

6. Trainiertes Modell bereitstellen

7. GLiNER-Inferenz ausführen

GLiNER aufrufen

GLiNER Agent Skill installieren

​Bevor Sie beginnen

​1. Aufgabe auswählen

Extraktion

Klassifikation

​2. Trainierbare Modelle abfragen

​3. Config-Job erstellen

​4. Job abfragen

​5. Logs und Checkpoints prüfen

​6. Trainiertes Modell bereitstellen

​7. GLiNER-Inferenz ausführen

GLiNER aufrufen

GLiNER Agent Skill installieren

Bevor Sie beginnen

1. Aufgabe auswählen

2. Trainierbare Modelle abfragen

3. Config-Job erstellen

4. Job abfragen

5. Logs und Checkpoints prüfen

6. Trainiertes Modell bereitstellen

7. GLiNER-Inferenz ausführen