Guía rápida de Pioneer: del registro a tu primera inferencia

Esta guía te lleva por el camino más rápido hasta una integración funcional con Pioneer. Al terminar, habrás realizado una llamada de inferencia con éxito y entenderás la forma de la API. Solo necesitas una cuenta de Pioneer y una terminal.

Regístrate y obtén tu API key

Crea una cuenta en pioneer.ai.Una vez que hayas iniciado sesión, ve a Settings → API Keys y genera una nueva clave. Cópiala en un lugar seguro — no podrás volver a verla después de cerrar el diálogo.

Mantén tu API key fuera del control de versiones. Usa una variable de entorno o un gestor de secretos en lugar de escribirla directamente en tus archivos fuente.

Establece tu clave como una variable de entorno para que los ejemplos siguientes funcionen tal cual:

export PIONEER_API_KEY="your_api_key_here"

Lista los modelos base disponibles

Antes de ejecutar inferencia, puedes explorar los modelos que Pioneer tiene disponibles. Usa GET /base-models para ver el catálogo completo. Pasa ?supports_inference=true para filtrar por los modelos que puedes llamar inmediatamente, o ?task_type=decoder para ver solo los LLM.

curl https://api.pioneer.ai/base-models?supports_inference=true \
  -H "X-API-Key: $PIONEER_API_KEY"

import os
import requests

response = requests.get(
    "https://api.pioneer.ai/base-models",
    params={"supports_inference": "true"},
    headers={"X-API-Key": os.environ["PIONEER_API_KEY"]}
)
print(response.json())

const response = await fetch(
  "https://api.pioneer.ai/base-models?supports_inference=true",
  {
    headers: {
      "X-API-Key": process.env.PIONEER_API_KEY
    }
  }
);
const data = await response.json();
console.log(data);

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

Ejecuta tu primera llamada de inferencia

Llama a POST /v1/chat/completions con un modelo, un mensaje y un esquema que defina qué quieres extraer. El ejemplo siguiente usa el modelo base de GLiNER para extraer entidades nombradas de una frase.

curl -X POST https://api.pioneer.ai/v1/chat/completions \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "messages": [
      {"role": "user", "content": "Apple announced the MacBook Pro at WWDC in Cupertino."}
    ],
    "schema": {
      "entities": ["organization", "product", "event", "location"]
    },
    "threshold": 0.5
  }'

import os
import requests

response = requests.post(
    "https://api.pioneer.ai/v1/chat/completions",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model": "fastino/gliner2-base-v1",
        "messages": [{
            "role": "user",
            "content": "Apple announced the MacBook Pro at WWDC in Cupertino."
        }],
        "schema": {
            "entities": ["organization", "product", "event", "location"]
        },
        "threshold": 0.5
    }
)
print(response.json())

const response = await fetch("https://api.pioneer.ai/v1/chat/completions", {
  method: "POST",
  headers: {
    "X-API-Key": process.env.PIONEER_API_KEY,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "fastino/gliner2-base-v1",
    messages: [{
      role: "user",
      content: "Apple announced the MacBook Pro at WWDC in Cupertino."
    }],
    schema: {
      entities: ["organization", "product", "event", "location"]
    },
    threshold: 0.5
  })
});
const data = await response.json();
console.log(data);

El campo schema indica al modelo qué debe buscar. Para modelos encoder (GLiNER), puedes proporcionar:

entities — una lista de cadenas de tipos de entidad para NER
classifications — una lista de objetos {task, labels} para clasificación de texto
structures — un diccionario de definiciones de estructura para extracción JSON
relations — una lista de definiciones de relaciones

Para modelos decoder (LLM), omite schema y envía un mensaje de chat normal.

model puede ser el ID de un modelo base como fastino/gliner2-base-v1, o el ID de un trabajo de entrenamiento completado. Una vez que hayas ajustado un modelo, sustituye el ID del modelo base por el ID de tu trabajo para servir predicciones desde tu modelo personalizado.

Usa el endpoint compatible con Anthropic (opcional)

Si ya estás usando el SDK de Anthropic, apúntalo a https://api.pioneer.ai y usa tu API key de Pioneer.

curl -X POST https://api.pioneer.ai/v1/messages \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Extract entities from: Apple launched the iPhone in San Francisco."}
    ],
    "schema": {"entities": ["organization", "product", "location"]}
  }'

Pasa los campos específicos de Pioneer, como schema, mediante la opción extra-body del SDK.

Inicia un trabajo de entrenamiento (opcional)

Cuando estés listo para ajustar el modelo con tus propios datos, inicia un trabajo de entrenamiento. Necesitarás un conjunto de datos ya subido o creado — consulta Conjuntos de datos para saber cómo crear uno.

curl -X POST https://api.pioneer.ai/felix/training-jobs \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-ner-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.pioneer.ai/felix/training-jobs",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model_name": "my-ner-model",
        "base_model": "fastino/gliner2-base-v1",
        "datasets": [{"name": "my-dataset"}],
        "training_type": "lora",
        "nr_epochs": 5,
        "learning_rate": 5e-5
    }
)
print(response.json())
# {"id": "uuid-of-training-job", "status": "requested"}

La respuesta incluye un id de trabajo. Consulta GET /felix/training-jobs/{id} para comprobar el estado. Cuando el trabajo llegue a complete, usa el ID del trabajo como model en las llamadas a /v1/chat/completions.Valores de estado del trabajo: requested → running → complete (o failed / stopped).

Próximos pasos

Ajusta un modelo de NER

Recorrido de extremo a extremo: subida del conjunto de datos, entrenamiento, evaluación e inferencia.

Ajusta un LLM

Ajusta Nemotron 3.5 Lightning con los datos de tu dominio usando LoRA.

Datos sintéticos

Genera datos de entrenamiento etiquetados sin anotación manual.

Referencia de la API

Referencia completa de cada endpoint con esquemas de solicitud y respuesta.

Empezar

Conceptos básicos

Referencia de API

Registro de cambios

Guía rápida de Pioneer: del registro a tu primera inferencia

Próximos pasos

Ajusta un modelo de NER

Ajusta un LLM

Datos sintéticos

Referencia de la API

​Próximos pasos

Ajusta un modelo de NER

Ajusta un LLM

Datos sintéticos

Referencia de la API

Próximos pasos