> ## 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. Do not infer undocumented routes. Read API keys from FASTINO_API_KEY and never embed credentials in code, logs, or reports.
# Evalúa y entrena GLiNER 2.5 Decide
> Evalúa GLiNER 2.5 Decide, selecciona umbrales multietiqueta y ajusta el modelo con datos de clasificación representativos.
Evalúa el esquema `classifications` exacto que tu aplicación enviará a `fastino/GLiNER-2.5-Decide`. Cambia las etiquetas o la configuración de la tarea únicamente entre ejecuciones de evaluación para que los resultados sigan siendo comparables.
## Evalúa un esquema de Decide
Empieza con una tarea fija:
```json theme={null}
{
"task": "support_tags",
"labels": ["billing", "technical", "account", "security"],
"multi_label": true,
"cls_threshold": 0.5
}
```
Prepara un conjunto reservado con los mismos nombres de etiquetas. Incluye:
* Ejemplos positivos y negativos para cada etiqueta
* Entradas en las que deban devolverse varias etiquetas
* Entradas en las que ninguna etiqueta deba superar el umbral
* Texto ambiguo y fuera del dominio
Envía cada ejemplo mediante `POST /v1/chat/completions` con el mismo ID de modelo de Decide y el mismo esquema. Analiza la cadena JSON de `choices[0].message.content` antes de puntuar el resultado de la tarea.
Para las tareas de Decide de una sola etiqueta, mide la exactitud top-1 y la confusión por etiqueta. Para las tareas multietiqueta, mide la precisión, la exhaustividad y el F1 por etiqueta y en toda la tarea. Si una solicitud contiene varias tareas, evalúa cada una de forma independiente porque Decide no impone relaciones entre ellas.
## Selecciona `cls_threshold`
`cls_threshold` solo afecta a las tareas con `multi_label: true`. Decide devuelve las etiquetas que alcanzan el umbral y omite las demás:
* Auméntalo para devolver menos etiquetas y, en general, favorecer la precisión.
* Redúcelo para devolver más etiquetas y, en general, favorecer la exhaustividad.
* Las tareas de una sola etiqueta siempre devuelven la etiqueta con la puntuación más alta.
* Los umbrales solo afectan a la inferencia; no modifican el entrenamiento.
Vuelve a ejecutar el conjunto reservado para cada umbral candidato porque la respuesta solo contiene las etiquetas seleccionadas con ese umbral. Elige un umbral por tarea cuando los falsos positivos y los falsos negativos tengan costes diferentes.
No trates `0.5` como un valor predeterminado universal. Para las etiquetas que desencadenen acciones con consecuencias importantes, exige un umbral más estricto o deriva los resultados de baja confianza a revisión.
## Entrena GLiNER 2.5 Decide
Entrena únicamente cuando el modelo base siga fallando en tu dominio después de haber aclarado la taxonomía de etiquetas y ajustado los umbrales multietiqueta.
El catálogo activo de modelos base anuncia actualmente:
```json theme={null}
{
"id": "fastino/GLiNER-2.5-Decide",
"supports_training": true,
"training_types": ["lora"]
}
```
Consulta `GET /v1/base-models?supports_training=true` antes de crear un trabajo porque la disponibilidad del catálogo puede cambiar. Usa `fastino/GLiNER-2.5-Decide` como `base_model` y `lora` como `training_type`.
### Prepara los datos de clasificación de Decide
Usa el formato JSONL público para clasificación. Cada línea contiene `text` y una `label` o varias `labels`:
```jsonl theme={null}
{"text":"I was charged twice for the same invoice.","label":"billing"}
{"text":"I cannot sign in and suspect my account was compromised.","labels":["account","security"]}
```
Las etiquetas del dataset deben usar las mismas cadenas estables que pasas en el esquema de inferencia de Decide. No mezcles formas de fila de una sola etiqueta y multietiqueta en un mismo dataset, y no incluyas el conjunto de evaluación reservado en la carga de entrenamiento.
Crea, sube, procesa y versiona el dataset JSONL que utiliza el trabajo de entrenamiento de Decide.
### Crea el trabajo de entrenamiento de Decide
Envía el dataset listo con el modelo base de Decide:
```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" \
-d '{
"model_name": "support-decide",
"base_model": "fastino/GLiNER-2.5-Decide",
"datasets": [{"name": "support-decide-training"}],
"training_type": "lora",
"validation_data_percentage": 0.2
}'
```
Omite la tasa de aprendizaje, el tamaño del lote y los parámetros de LoRA a menos que tengas pruebas que justifiquen modificar la receta de entrenamiento de Decide. Guarda el ID del trabajo de entrenamiento devuelto y consulta su estado hasta que el artefacto se pueda desplegar.
### Compara y despliega
Ejecuta el modelo base y el checkpoint entrenado con el mismo conjunto reservado y el mismo esquema `classifications`. Compara:
* Los errores por etiqueta para las tareas de una sola etiqueta
* La precisión, la exhaustividad y el F1 por etiqueta para las tareas multietiqueta
* Los resultados multietiqueta vacíos y con demasiadas selecciones
* El umbral necesario para cada tarea
Despliega un checkpoint únicamente cuando mejore los errores a nivel de aplicación que te importan. Después del despliegue, vuelve a seleccionar los umbrales; el ajuste fino puede cambiar los valores de confianza de Decide aunque las etiquetas predichas sigan siendo las mismas.
Supervisa el trabajo de Decide, los checkpoints y el estado de despliegue.
Consulta los contratos exactos del dataset y del trabajo de entrenamiento.
This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.