> ## 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.

# Inicio rápido del codificador

> Inicia un trabajo de entrenamiento gestionado para ajustar un codificador GLiNER.

Esta guía rápida usa el entrenamiento gestionado para ajustar un codificador
GLiNER mientras Fastino ejecuta el bucle. Para entrenar modelos Nemotron o Qwen
con un bucle controlado por tu aplicación, consulta el
[inicio rápido del decodificador](/es/training/decoder-quickstart).

## 1. Autentícate

1. Crea una [cuenta de Fastino](https://agent.fastino.ai/).
2. Abre [Claves de API](https://agent.fastino.ai/api-keys).
3. Crea una clave y cópiala cuando se muestre.

Guarda la clave en una variable de entorno:

<CodeGroup>
  ```bash macOS/Linux theme={null}
  export FASTINO_API_KEY="fast_sk_..."
  ```

  ```powershell Windows theme={null}
  $env:FASTINO_API_KEY = "fast_sk_..."
  ```
</CodeGroup>

Envía esta clave como `X-API-Key: $FASTINO_API_KEY`. Consulta
[Autenticación](/es/authentication) para ver el contrato de autenticación
completo.

## 2. Prepara un dataset

[Sube y procesa un dataset de entrenamiento](/es/concepts/datasets) y espera
hasta que su versión esté `ready`.

## 3. Elige un modelo

El entrenamiento gestionado admite `fastino/gliner2-multi-v1` y
`fastino/GLiNER-2.5-Decide`. Consulta el catálogo activo antes del envío:

```bash theme={null}
curl "https://api.fastino.ai/v1/base-models?supports_training=true" \
  -H "X-API-Key: $FASTINO_API_KEY"
```

Guarda el ID del modelo seleccionado.

## 4. Crea el trabajo

```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" \
  -H "Idempotency-Key: $(uuidgen)" \
  -d '{
    "model_name": "my-trained-model",
    "base_model": "MODEL_ID_FROM_CATALOG",
    "datasets": [
      {"name": "my-ready-dataset", "version": "VERSION_NUMBER"}
    ],
    "training_type": "lora"
  }'
```

Guarda el `id` devuelto. Es el `job_id` que usan todas las rutas específicas
del trabajo. Reutiliza la misma `Idempotency-Key` únicamente al reintentar esta
misma solicitud de creación.

## 5. Consulta el trabajo

```bash theme={null}
curl "https://api.fastino.ai/v1/training/jobs/JOB_ID" \
  -H "X-API-Key: $FASTINO_API_KEY"
```

Para los trabajos de configuración:

* `status` es el valor persistido del ciclo de vida, como `errored`.
* `normalized_status` es el valor estable para las consultas, como `failed`.
* `is_terminal_status` indica al cliente cuándo dejar de consultar.
* `error_message` describe un fallo cuando está disponible.

Continúa hasta que `is_terminal_status` sea `true` y, después, inspecciona el
estado final, los checkpoints, los logs y la posibilidad de despliegue.

## Continúa

<CardGroup cols={2}>
  <Card title="Datasets" icon="database" href="/es/concepts/datasets">
    Prepara y valida datos de entrenamiento de GLiNER.
  </Card>

  <Card title="Inicio rápido del decodificador" icon="code" href="/es/training/decoder-quickstart">
    Entrena modelos Nemotron o Qwen con un trabajo interactivo.
  </Card>
</CardGroup>


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