Pioneer-Schnellstart: von Anmeldung zur ersten Inferenz

Dieser Leitfaden führt Sie auf dem schnellsten Weg zu einer funktionierenden Pioneer-Integration. Am Ende haben Sie einen erfolgreichen Inferenzaufruf getätigt und verstehen den Aufbau der API. Alles, was Sie benötigen, ist ein Pioneer-Konto und ein Terminal.

Registrieren und Ihren API-Schlüssel abrufen

Erstellen Sie ein Konto unter pioneer.ai.Sobald Sie angemeldet sind, gehen Sie zu Settings → API Keys und generieren Sie einen neuen Schlüssel. Kopieren Sie ihn an einen sicheren Ort — nach dem Schließen des Dialogs können Sie ihn nicht mehr einsehen.

Halten Sie Ihren API-Schlüssel aus der Versionskontrolle heraus. Verwenden Sie eine Umgebungsvariable oder einen Secrets-Manager, anstatt ihn in Ihren Quelldateien fest zu codieren.

Setzen Sie Ihren Schlüssel als Umgebungsvariable, damit die folgenden Beispiele unverändert funktionieren:

export PIONEER_API_KEY="your_api_key_here"

Verfügbare Basismodelle auflisten

Bevor Sie Inferenz ausführen, können Sie die in Pioneer verfügbaren Modelle durchsuchen. Verwenden Sie GET /base-models, um den vollständigen Katalog zu sehen. Übergeben Sie ?supports_inference=true, um auf Modelle zu filtern, die Sie sofort aufrufen können, oder ?task_type=decoder, um nur LLMs zu sehen.

curl https://api.pioneer.ai/base-models?supports_inference=true \
  -H "X-API-Key: $PIONEER_API_KEY"

import os
import requests

response = requests.get(
    "https://api.pioneer.ai/base-models",
    params={"supports_inference": "true"},
    headers={"X-API-Key": os.environ["PIONEER_API_KEY"]}
)
print(response.json())

const response = await fetch(
  "https://api.pioneer.ai/base-models?supports_inference=true",
  {
    headers: {
      "X-API-Key": process.env.PIONEER_API_KEY
    }
  }
);
const data = await response.json();
console.log(data);

Die Antwort listet Modell-IDs auf, die Sie an /v1/chat/completions übergeben können. Zum Beispiel ist fastino/gliner2-base-v1 das GLiNER-Basismodell für NER-Aufgaben.

Ihren ersten Inferenzaufruf ausführen

Rufen Sie POST /v1/chat/completions mit einem Modell, einer Nachricht und einem Schema auf, das definiert, was Sie extrahieren möchten. Das folgende Beispiel verwendet das GLiNER-Basismodell, um benannte Entitäten aus einem Satz zu extrahieren.

curl -X POST https://api.pioneer.ai/v1/chat/completions \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "messages": [
      {"role": "user", "content": "Apple announced the MacBook Pro at WWDC in Cupertino."}
    ],
    "schema": {
      "entities": ["organization", "product", "event", "location"]
    },
    "threshold": 0.5
  }'

import os
import requests

response = requests.post(
    "https://api.pioneer.ai/v1/chat/completions",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model": "fastino/gliner2-base-v1",
        "messages": [{
            "role": "user",
            "content": "Apple announced the MacBook Pro at WWDC in Cupertino."
        }],
        "schema": {
            "entities": ["organization", "product", "event", "location"]
        },
        "threshold": 0.5
    }
)
print(response.json())

const response = await fetch("https://api.pioneer.ai/v1/chat/completions", {
  method: "POST",
  headers: {
    "X-API-Key": process.env.PIONEER_API_KEY,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "fastino/gliner2-base-v1",
    messages: [{
      role: "user",
      content: "Apple announced the MacBook Pro at WWDC in Cupertino."
    }],
    schema: {
      entities: ["organization", "product", "event", "location"]
    },
    threshold: 0.5
  })
});
const data = await response.json();
console.log(data);

Das Feld schema teilt dem Modell mit, wonach es suchen soll. Für Encoder-Modelle (GLiNER) können Sie Folgendes angeben:

entities — eine Liste von Entitätstyp-Strings für NER
classifications — eine Liste von {task, labels}-Objekten für Textklassifikation
structures — ein Dictionary mit Strukturdefinitionen für die JSON-Extraktion
relations — eine Liste von Relationsdefinitionen

Für Decoder-Modelle (LLMs) lassen Sie schema weg und senden Sie eine normale Chat-Nachricht.

model kann eine Basismodell-ID wie fastino/gliner2-base-v1 oder die ID eines abgeschlossenen Trainingsjobs sein. Sobald Sie ein Modell feinabgestimmt haben, ersetzen Sie die Basismodell-ID durch Ihre Job-ID, um Vorhersagen aus Ihrem benutzerdefinierten Modell auszuliefern.

Anthropic-kompatiblen Endpunkt verwenden (optional)

Wenn Sie bereits das Anthropic-SDK verwenden, richten Sie es auf https://api.pioneer.ai und verwenden Sie Ihren Pioneer-API-Schlüssel.

curl -X POST https://api.pioneer.ai/v1/messages \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Extract entities from: Apple launched the iPhone in San Francisco."}
    ],
    "schema": {"entities": ["organization", "product", "location"]}
  }'

Übergeben Sie Pioneer-spezifische Felder wie schema über die Extra-Body-Option des SDKs.

Einen Trainingsjob starten (optional)

Wenn Sie bereit sind, mit Ihren eigenen Daten feinabzustimmen, starten Sie einen Trainingsjob. Sie benötigen einen bereits hochgeladenen oder erstellten Datensatz — siehe Datensätze, um zu erfahren, wie Sie einen erstellen.

curl -X POST https://api.pioneer.ai/felix/training-jobs \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-ner-model",
    "base_model": "fastino/gliner2-base-v1",
    "datasets": [{"name": "my-dataset"}],
    "training_type": "lora",
    "nr_epochs": 5,
    "learning_rate": 5e-5
  }'

import os
import requests

response = requests.post(
    "https://api.pioneer.ai/felix/training-jobs",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model_name": "my-ner-model",
        "base_model": "fastino/gliner2-base-v1",
        "datasets": [{"name": "my-dataset"}],
        "training_type": "lora",
        "nr_epochs": 5,
        "learning_rate": 5e-5
    }
)
print(response.json())
# {"id": "uuid-of-training-job", "status": "requested"}

Die Antwort enthält eine Job-id. Fragen Sie GET /felix/training-jobs/{id} ab, um den Status zu prüfen. Sobald der Job den Status complete erreicht, verwenden Sie die Job-ID als model in /v1/chat/completions-Aufrufen.Job-Statuswerte: requested → running → complete (oder failed / stopped).

Nächste Schritte

NER-Modell feinabstimmen

End-to-End-Anleitung: Datensatz-Upload, Training, Evaluierung und Inferenz.

LLM feinabstimmen

Feinabstimmung von Nemotron 3.5 Lightning auf Ihren Domänendaten mit LoRA.

Synthetische Daten

Generieren Sie gelabelte Trainingsdaten ohne manuelle Annotation.

API-Referenz

Vollständige Referenz für jeden Endpunkt mit Request- und Response-Schemas.

Erste Schritte

Kernkonzepte

API-Referenz

Änderungsprotokoll

Pioneer-Schnellstart: von Anmeldung zur ersten Inferenz

Nächste Schritte

NER-Modell feinabstimmen

LLM feinabstimmen

Synthetische Daten

API-Referenz

​Nächste Schritte

NER-Modell feinabstimmen

LLM feinabstimmen

Synthetische Daten

API-Referenz

Nächste Schritte