Referencia de la API

Esta guía te muestra el camino más rápido hacia una integración funcional con Fastino. Al terminar, habrás realizado una llamada de inferencia correcta y entenderás la estructura de la API. Solo necesitas una cuenta de Fastino y una terminal.

Regístrate y obtén tu clave de API

Crea una cuenta en Fastino.Después de iniciar sesión, ve a Settings → API Keys y genera una clave nueva. Cópiala en un lugar seguro, porque no podrás volver a verla después de cerrar el cuadro de diálogo.Define tu clave como variable de entorno para que los ejemplos siguientes funcionen tal cual:

export FASTINO_API_KEY="your_api_key_here"

Lista los modelos base disponibles (opcional)

Usa GET /v1/base-models para explorar los modelos que Fastino tiene disponibles.

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

import os
import requests

response = requests.get(
    "https://api.fastino.ai/v1/base-models",
    headers={"X-API-Key": os.environ["FASTINO_API_KEY"]},
)
response.raise_for_status()
print(response.json())

const response = await fetch(
  "https://api.fastino.ai/v1/base-models",
  {
    headers: {
      "X-API-Key": process.env.FASTINO_API_KEY
    }
  }
);

if (!response.ok) {
  throw new Error(`Model request failed: ${response.status}`);
}

console.log(await response.json());

La respuesta enumera los IDs de modelo que puedes pasar a /v1/chat/completions. Por ejemplo, fastino/gliner2-base-v1 es un modelo base de GLiNER para tareas de extracción.

Ejecuta tu primera llamada de inferencia

Llama a POST /v1/chat/completions con un modelo, un mensaje y un esquema que defina lo que quieres extraer. Este ejemplo usa GLiNER para extraer entidades nombradas de una oración.

curl -X POST "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2.5-multi-v1",
    "messages": [
      {
        "role": "user",
        "content": "Apple announced the MacBook Pro at WWDC in Cupertino."
      }
    ],
    "schema": {
      "entities": [
        {
          "name": "organization",
          "description": "business or institution name"
        },
        {
          "name": "product",
          "description": "named commercial product"
        },
        {
          "name": "event",
          "description": "named conference or event"
        },
        {
          "name": "location",
          "description": "city, region, or place"
        }
      ]
    },
    "threshold": 0.5
  }'

import json
import os

import requests

response = requests.post(
    "https://api.fastino.ai/v1/chat/completions",
    headers={
        "Authorization": f"Bearer {os.environ['FASTINO_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={
        "model": "fastino/gliner2.5-multi-v1",
        "messages": [
            {
                "role": "user",
                "content": "Apple announced the MacBook Pro at WWDC in Cupertino.",
            }
        ],
        "schema": {
            "entities": [
                {"name": "organization", "description": "business or institution name"},
                {"name": "product", "description": "named commercial product"},
                {"name": "event", "description": "named conference or event"},
                {"name": "location", "description": "city, region, or place"},
            ]
        },
        "threshold": 0.5,
    },
)
response.raise_for_status()

result = response.json()
entities = json.loads(result["choices"][0]["message"]["content"])
print(json.dumps(entities, indent=2))

const response = await fetch(
  "https://api.fastino.ai/v1/chat/completions",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.FASTINO_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: "fastino/gliner2.5-multi-v1",
      messages: [
        {
          role: "user",
          content: "Apple announced the MacBook Pro at WWDC in Cupertino.",
        },
      ],
      schema: {
        entities: [
          { name: "organization", description: "business or institution name" },
          { name: "product", description: "named commercial product" },
          { name: "event", description: "named conference or event" },
          { name: "location", description: "city, region, or place" },
        ],
      },
      threshold: 0.5,
    }),
  }
);

if (!response.ok) {
  throw new Error(`Inference failed: ${response.status} ${await response.text()}`);
}

const result = await response.json();
const entities = JSON.parse(result.choices[0].message.content);
console.log(JSON.stringify(entities, null, 2));

En los modelos codificadores como GLiNER, el objeto schema define la tarea y puede incluir:

entities - definiciones de entidades para la extracción de entidades nombradas
classifications - definiciones {task, labels} para la clasificación de texto
structures - definiciones de registros estructurados para la extracción de JSON
relations - definiciones de relaciones

En los modelos decodificadores, omite schema y envía un mensaje de chat normal.

model debe ser el ID de un modelo base compatible con inferencia o el UUID de un trabajo de entrenamiento completado y desplegable. Después del entrenamiento, despliega el artefacto seleccionado antes de usar el UUID del trabajo para la inferencia.

Inicia un trabajo de entrenamiento (opcional)

Cuando quieras hacer ajuste fino con tus propios datos, inicia un trabajo de entrenamiento:

curl -X POST https://api.fastino.ai/v1/training/jobs \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-gliner-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.fastino.ai/v1/training/jobs",
    headers={
        "X-API-Key": os.environ["FASTINO_API_KEY"],
        "Content-Type": "application/json",
    },
    json={
        "model_name": "my-gliner-model",
        "base_model": "fastino/gliner2-base-v1",
        "datasets": [{"name": "my-dataset"}],
        "training_type": "lora",
        "nr_epochs": 5,
        "learning_rate": 5e-5,
    },
)
response.raise_for_status()
print(response.json())

La respuesta incluye el id del trabajo. Consulta GET /v1/training/jobs/{id} periódicamente para comprobar su estado. Cuando el trabajo llegue a complete, despliega el artefacto seleccionado antes de usar el ID del trabajo como model en /v1/chat/completions.Los clientes JSON nativos usan las operaciones públicas de OpenAPI bajo /v1/training/jobs y /v1/training/usage. Los clientes Tinker existentes mantienen tinker==0.32.0 y configuran solo TINKER_BASE_URL=https://api.fastino.ai/v1/training/compat/tinker y TINKER_CREDENTIAL_CMD.Los estados persistidos del trabajo avanzan de requested → running → complete, o terminan como errored o stopped. El estado normalizado para las consultas usa failed para un fallo terminal.

Próximos pasos

API de entrenamiento

Ajusta un modelo de principio a fin con la API de entrenamiento de Fastino.

API de inferencia

Ejecuta inferencia con modelos base o ajustados a través de la API de Fastino.

Migración desde el origen de la API de Pioneer

Las rutas de entrenamiento ahora usan el prefijo /v1. Por ejemplo, /felix/training-jobs ahora es /v1/training/jobs, y sus operaciones específicas de cada trabajo permanecen dentro de esa nueva familia de rutas. Las integraciones directas con la API deben usar FASTINO_API_KEY con una clave fast_sk_ recién generada; las claves heredadas pio_sk_ están retiradas. Tanto la autenticación X-API-Key como la Bearer siguen siendo válidas.

Inferencia

Entrenamiento

Próximos pasos

API de entrenamiento

API de inferencia

Migración desde el origen de la API de Pioneer

​Próximos pasos

API de entrenamiento

API de inferencia

​Migración desde el origen de la API de Pioneer

Próximos pasos

Migración desde el origen de la API de Pioneer