Encoder-Schnellstart

Dieser Schnellstart zeigt, wie Sie einen GLiNER-Encoder mit einem verwalteten Config-Job feinabstimmen, während Fastino den Trainingsloop ausführt. Um ein Nemotron- oder Qwen-Decoder-LLM mit einem anwendungsgesteuerten Trainingsloop zu trainieren, verwenden Sie den Decoder-Schnellstart.

1. Authentifizieren

Erstellen Sie ein Fastino-Konto.
Öffnen Sie API-Schlüssel.
Erstellen Sie einen Schlüssel und kopieren Sie ihn, sobald er angezeigt wird.

Speichern Sie den Schlüssel in einer Umgebungsvariable:

export FASTINO_API_KEY="fast_sk_..."

$env:FASTINO_API_KEY = "fast_sk_..."

Senden Sie diesen Schlüssel als X-API-Key: $FASTINO_API_KEY. Den vollständigen Authentifizierungsvertrag finden Sie unter Authentifizierung.

2. Datensatz vorbereiten

Laden Sie einen Trainingsdatensatz hoch und verarbeiten Sie ihn. Warten Sie anschließend, bis seine Version den Status ready hat.

3. Modell auswählen

Verwaltetes Training unterstützt fastino/gliner2-multi-v1 und fastino/GLiNER-2.5-Decide. Fragen Sie vor der Übermittlung den Live-Katalog ab:

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

Speichern Sie die ID des ausgewählten Modells.

4. Job erstellen

curl -X POST "https://api.fastino.ai/v1/training/jobs" \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $(uuidgen)" \
  -d '{
    "model_name": "my-trained-model",
    "base_model": "MODEL_ID_FROM_CATALOG",
    "datasets": [
      {"name": "my-ready-dataset", "version": "VERSION_NUMBER"}
    ],
    "training_type": "lora"
  }'

Speichern Sie die zurückgegebene id. Sie ist die job_id, die von jeder jobspezifischen Route verwendet wird. Verwenden Sie denselben Idempotency-Key nur dann erneut, wenn Sie exakt diesen Erstellungsrequest wiederholen.

5. Job abfragen

curl "https://api.fastino.ai/v1/training/jobs/JOB_ID" \
  -H "X-API-Key: $FASTINO_API_KEY"

Für Config-Jobs gilt:

status ist der gespeicherte Lebenszykluswert, beispielsweise errored.
normalized_status ist der stabile Polling-Wert, beispielsweise failed.
is_terminal_status zeigt Ihrem Client an, wann er das Polling beenden soll.
error_message beschreibt einen Fehler, sofern verfügbar.

Fragen Sie den Job weiter ab, bis is_terminal_status den Wert true hat. Prüfen Sie anschließend den endgültigen Status, die Checkpoints, Logs und die Eignung für die Bereitstellung.

Erste Schritte

Entscheidungsmodelle

Entitäten und Klassifikation

Trainings-API

Inferenz-API

Fehlerbehebung

SDK-Integrationen

Modelle

Konto

1. Authentifizieren

2. Datensatz vorbereiten

3. Modell auswählen

4. Job erstellen

5. Job abfragen

Weiter

Datensätze

Decoder-Schnellstart

​1. Authentifizieren

​2. Datensatz vorbereiten

​3. Modell auswählen

​4. Job erstellen

​5. Job abfragen

​Weiter

Datensätze

Decoder-Schnellstart

1. Authentifizieren

2. Datensatz vorbereiten

3. Modell auswählen

4. Job erstellen

5. Job abfragen

Weiter