Ajustar GLiNER

Esta guía crea un trabajo de entrenamiento config. Tú proporcionas un dataset listo y los ajustes de entrenamiento; Fastino ejecuta el bucle.

Antes de comenzar

Establece FASTINO_API_KEY como se muestra en la descripción general de la API de entrenamiento. Los ejemplos la envían en el encabezado X-API-Key y usan jq para leer las respuestas JSON.

1. Elige la tarea

Extracción

Entrena GLiNER para encontrar spans etiquetados, como personas, productos o ubicaciones. Prepara filas con text y entities y sube el dataset como datos NER.

Clasificación

Entrena GLiNER para asignar una o varias etiquetas al texto. Prepara filas con text y label o labels y sube el dataset como datos de clasificación.

Mantén una única forma de fila en cada archivo JSONL. Sigue Preparar y subir datasets de entrenamiento para consultar los formatos JSONL exactos de GLiNER, la solicitud de URL de subida, la subida del archivo, la solicitud de procesamiento y la comprobación de disponibilidad. Continúa solo cuando la versión del dataset indique ready.

2. Consulta los modelos entrenables

No fijes en el código un modelo base de un ejemplo antiguo. Consulta el catálogo activo inmediatamente antes de crear el trabajo:

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

Elige un modelo GLiNER compatible con la tarea y el tipo de entrenamiento deseados. Copia su ID exacto en el campo base_model de la API de entrenamiento nativa.

3. Crea un trabajo de configuración

Sustituye el modelo del catálogo, el nombre del dataset y la versión siguientes.

curl -sS -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-request-extractor",
    "base_model": "BASE_MODEL_ID_FROM_CATALOG",
    "datasets": [
      {
        "name": "READY_DATASET_NAME",
        "version": "VERSION_NUMBER"
      }
    ],
    "training_type": "lora"
  }' | tee training-job.json

La respuesta es el registro del trabajo creado. Guarda su id:

export TRAINING_JOB_ID="$(jq -r '.id' training-job.json)"
test "$TRAINING_JOB_ID" != "null"

Consulta la referencia de creación de trabajos para ver los campos opcionales de los trabajos de configuración.

4. Consulta el trabajo

Consulta GET /v1/training/jobs/{job_id} hasta que is_terminal_status sea true:

while true; do
  if ! JOB="$(
    curl --fail-with-body -sS \
      "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID" \
      -H "X-API-Key: $FASTINO_API_KEY"
  )"; then
    echo "Could not read training job" >&2
    exit 1
  fi

  echo "$JOB" | jq -e 'has("is_terminal_status")' >/dev/null || {
    echo "Training response has no terminal-state field" >&2
    exit 1
  }

  echo "$JOB" | jq '{
    normalized_status,
    is_terminal_status,
    error_message,
    is_deployable,
    deployability_reason
  }'

  [ "$(echo "$JOB" | jq -r '.is_terminal_status')" = "true" ] && break
  sleep 10
done

Para consultar los estados de los trabajos de configuración y la orientación sobre estados terminales, consulta la descripción general de la API de entrenamiento.

5. Inspecciona los logs y checkpoints

Lee los logs cuando necesites detalles del progreso o de un fallo:

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/logs" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Lista los checkpoints que creó Fastino:

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints" \
  -H "X-API-Key: $FASTINO_API_KEY" | tee training-checkpoints.json | jq

export CHECKPOINT_ID="$(
  jq -r '[.checkpoints[] | select(.is_deployable == true)] | first | .id // empty' \
    training-checkpoints.json
)"
test -n "$CHECKPOINT_ID"

Consulta logs y checkpoints para ver sus campos de respuesta.

6. Despliega el modelo entrenado

Comprueba los campos is_deployable y deployability_reason del trabajo completado antes del despliegue:

curl --fail-with-body -sS -X POST \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/$CHECKPOINT_ID/deploy" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Vuelve a consultar el trabajo hasta que su estado de despliegue esté listo. El ID del trabajo de entrenamiento es el identificador de modelo que se usa para la inferencia alojada.

7. Ejecuta inferencia con GLiNER

curl --fail-with-body -sS \
  "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"$TRAINING_JOB_ID\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": \"Ada Lovelace worked in London.\"
      }
    ],
    \"schema\": {
      \"entities\": [
        {\"name\": \"person\"},
        {\"name\": \"location\"}
      ]
    }
  }" | jq -r '.choices[0].message.content | fromjson'

Llama a GLiNER

Usa GLiNER para extracción o clasificación mediante POST /v1/chat/completions.

Instala la habilidad de agente de GLiNER

Opcionalmente, proporciona a Cursor, Claude Code o Codex el flujo de trabajo alojado de GLiNER.

Empezar

Modelos de decisión

Entidades y clasificación

API de entrenamiento

API de inferencia

Solución de problemas

Integraciones SDK

Modelos

Cuenta

Antes de comenzar

1. Elige la tarea

Extracción

Clasificación

2. Consulta los modelos entrenables

3. Crea un trabajo de configuración

4. Consulta el trabajo

5. Inspecciona los logs y checkpoints

6. Despliega el modelo entrenado

7. Ejecuta inferencia con GLiNER

Llama a GLiNER

Instala la habilidad de agente de GLiNER

​Antes de comenzar

​1. Elige la tarea

Extracción

Clasificación

​2. Consulta los modelos entrenables

​3. Crea un trabajo de configuración

​4. Consulta el trabajo

​5. Inspecciona los logs y checkpoints

​6. Despliega el modelo entrenado

​7. Ejecuta inferencia con GLiNER

Llama a GLiNER

Instala la habilidad de agente de GLiNER

Antes de comenzar

1. Elige la tarea

2. Consulta los modelos entrenables

3. Crea un trabajo de configuración

4. Consulta el trabajo

5. Inspecciona los logs y checkpoints

6. Despliega el modelo entrenado

7. Ejecuta inferencia con GLiNER