> ## 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.

# Desplegar un checkpoint de un trabajo interactivo

> Llama a POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy para servir un checkpoint sampler como modelo entrenado.

`POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy`

Sirve uno de los checkpoints sampler del trabajo como modelo entrenado. Llámalo con [`POST /v1/chat/completions`](/es/api-reference/inference/chat-completions) y `"model": "<model_id>"`. El despliegue está disponible para los modelos base compatibles; las demás bases devuelven `400`.

El `status` del modelo es `deploying` hasta que el motor de serving lo carga, y luego `deployed`. Desplegar de nuevo el mismo checkpoint devuelve el mismo modelo y su estado actual, así que puedes repetir la llamada para ver el progreso. Si un intento anterior falló, la llamada repetida lo reintenta.

<ParamField header="X-API-Key" type="string" required>
  Tu clave de API de Fastino.
</ParamField>

<ParamField path="job_id" type="string" required>
  ID del trabajo interactivo.
</ParamField>

<ParamField path="name" type="string" required>
  Nombre de un checkpoint sampler guardado con [`save-weights-for-sampler`](/es/api-reference/training-jobs/interactive/save-weights-for-sampler).
</ParamField>

<ParamField body="model_name" type="string">
  Hasta 64 letras, dígitos, guiones y guiones bajos, que empiecen y terminen con una letra o un dígito. Si se omite, se deriva del nombre del checkpoint. El cuerpo es opcional.
</ParamField>

<RequestExample>
  ```bash cURL theme={null}
  curl -X POST "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/sampler_weights/step-000100/deploy" \
    -H "X-API-Key: $FASTINO_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{"model_name": "support-replies-v1"}'
  ```
</RequestExample>

<ResponseField name="model_id" type="string">
  ID del modelo entrenado. Pásalo como `model` para la inferencia.
</ResponseField>

<ResponseField name="job_id" type="string">
  El trabajo interactivo que guardó el checkpoint.
</ResponseField>

<ResponseField name="checkpoint_id" type="string">
  `sampler_weights/<name>`.
</ResponseField>

<ResponseField name="base_model" type="string">
  El modelo base del modelo.
</ResponseField>

<ResponseField name="project_id" type="string | null">
  El proyecto del trabajo, si tiene uno.
</ResponseField>

<ResponseField name="status" type="string">
  `deploying` o `deployed`.
</ResponseField>

<ResponseExample>
  ```json Response theme={null}
  {
    "model_id": "MODEL_ID",
    "job_id": "SESSION_ID:train:0",
    "checkpoint_id": "sampler_weights/step-000100",
    "base_model": "nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16",
    "project_id": null,
    "status": "deploying"
  }
  ```
</ResponseExample>

| Estado | Significado |
| - | - |
| `400` | El serving aún no está disponible para el modelo base del trabajo, o el checkpoint no es un adaptador PEFT que acepte el motor de serving. |
| `404` | El trabajo o el checkpoint sampler no existe, pertenece a otro equipo o no tiene archivos. |
| `409` | Otro modelo ya usa `model_name`, o se eliminó el modelo servido desde este checkpoint. Guarda los pesos con un nombre nuevo para desplegarlos otra vez. |
| `422` | `model_name` no es válido o el cuerpo tiene un campo desconocido. |


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