> ## Documentation Index
> Fetch the complete documentation index at: https://docs.fastino.ai/llms.txt
> Use this file to discover all available pages before exploring further.

> ## Agent Instructions
> Use https://docs.fastino.ai/llms.txt to discover and navigate pages. Use https://docs.fastino.ai/llms-full.txt when you need the complete documentation corpus. Use https://docs.fastino.ai/openapi.json as the source of truth for customer-facing routes. For GLiDE decision inference, call POST https://api.fastino.ai/v1/systemone with model fastino/GLiDE. Create managed config jobs with POST /v1/training/jobs using base_model. For custom training loops, native JSON clients use the public operations under /v1/training/jobs and /v1/training/usage. Existing Tinker clients use tinker==0.32.0 with TINKER_BASE_URL=https://api.fastino.ai/v1/training/compat/tinker and TINKER_CREDENTIAL_CMD. Compatibility child routes are private and absent from OpenAPI. Auto Train is private access and has no public route; direct interested users to sales@fastino.ai. Do not infer undocumented routes. Read API keys from FASTINO_API_KEY and never embed credentials in code, logs, or reports.

# Encoder-Schnellstart

> Starten Sie einen verwalteten Trainingsjob für einen GLiNER-Encoder und prüfen Sie anschließend seine kanonische Job-ID.

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](/de/training/decoder-quickstart).

## 1. Authentifizieren

1. Erstellen Sie ein [Fastino-Konto](https://agent.fastino.ai/).
2. Öffnen Sie [API-Schlüssel](https://agent.fastino.ai/api-keys).
3. Erstellen Sie einen Schlüssel und kopieren Sie ihn, sobald er angezeigt wird.

Speichern Sie den Schlüssel in einer Umgebungsvariable:

<CodeGroup>
  ```bash macOS/Linux theme={null}
  export FASTINO_API_KEY="fast_sk_..."
  ```

  ```powershell Windows theme={null}
  $env:FASTINO_API_KEY = "fast_sk_..."
  ```
</CodeGroup>

Senden Sie diesen Schlüssel als `X-API-Key: $FASTINO_API_KEY`. Den vollständigen
Authentifizierungsvertrag finden Sie unter
[Authentifizierung](/de/authentication).

## 2. Datensatz vorbereiten

[Laden Sie einen Trainingsdatensatz hoch und verarbeiten Sie ihn](/de/concepts/datasets).
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:

```bash theme={null}
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

```bash theme={null}
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

```bash theme={null}
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.

## Weiter

<CardGroup cols={2}>
  <Card title="Datensätze" icon="database" href="/de/concepts/datasets">
    GLiNER-Trainingsdaten vorbereiten und validieren.
  </Card>

  <Card title="Decoder-Schnellstart" icon="code" href="/de/training/decoder-quickstart">
    Nemotron- und Qwen-Decoder mit einem anwendungsgesteuerten Loop trainieren.
  </Card>
</CardGroup>


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.