Guía rápida de la API de entrenamiento

Esta guía rápida cubre las dos vías de la API de entrenamiento. Usa el entrenamiento gestionado cuando quieras que Fastino ejecute el bucle. Usa un bucle de entrenamiento personalizado cuando tu aplicación deba controlar el muestreo, las recompensas y las actualizaciones del modelo.

1. Autentícate

Crea una cuenta de Fastino.
Abre Claves de API.
Crea una clave y cópiala cuando se muestre.

Guarda la clave en una variable de entorno:

export FASTINO_API_KEY="fast_sk_..."

$env:FASTINO_API_KEY = "fast_sk_..."

Envía esta clave como X-API-Key: $FASTINO_API_KEY. Consulta Autenticación para ver el contrato de autenticación completo.

2. Elige una vía

Objetivo	Vía
Proporcionar datos y configuración y dejar que Fastino ejecute el entrenamiento	Entrenamiento gestionado
Controlar el muestreo, las recompensas y las actualizaciones en tu aplicación	Bucle de entrenamiento personalizado

Entrenamiento gestionado

3. Prepara un dataset

Sube y procesa un dataset de entrenamiento y espera hasta que su versión esté ready.

4. Elige un modelo

Consulta el catálogo activo antes del envío:

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

Guarda el ID del modelo seleccionado.

5. Crea el trabajo

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.

6. Consulta el trabajo

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.

Bucle de entrenamiento personalizado

Los bucles de entrenamiento personalizados requieren acceso para el equipo y Python 3.11 o posterior. El cliente del SDK compatible se comunica con el adaptador de compatibilidad HTTP oculto de Fastino. Usa los métodos del cliente que se indican a continuación. No construyas solicitudes al adaptador.

3. Instala el cliente probado

uv init fastino-training
cd fastino-training
uv add "tinker==0.33.1"

mkdir fastino-training && cd fastino-training
python -m venv .venv
source .venv/bin/activate
pip install "tinker==0.33.1"

mkdir fastino-training
cd fastino-training
py -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install "tinker==0.33.1"

4. Configura el cliente

TINKER_CREDENTIAL_CMD se ejecuta con cada solicitud de token y debe imprimir una única credencial no vacía.

export TINKER_BASE_URL="https://api.fastino.ai/v1/training/compat/tinker"
export TINKER_CREDENTIAL_CMD='printf "%s\n" "$FASTINO_API_KEY"'

$env:TINKER_BASE_URL = "https://api.fastino.ai/v1/training/compat/tinker"
$env:TINKER_CREDENTIAL_CMD = 'powershell -NoProfile -Command "[Console]::Out.WriteLine($env:FASTINO_API_KEY)"'

Usa una clave normal de Fastino que comience por fast_sk_. Las credenciales que comienzan por tml- se rechazan. No establezcas TINKER_API_KEY.

5. Elige un modelo habilitado

Llama a ServiceClient.get_server_capabilities() y selecciona un modelo y un rango de LoRA de su respuesta:

export FASTINO_TRAINING_MODEL="<model from capabilities>"
export FASTINO_TRAINING_LORA_RANK="<supported rank>"

$env:FASTINO_TRAINING_MODEL = "<model from capabilities>"
$env:FASTINO_TRAINING_LORA_RANK = "<supported rank>"

6. Crea el trabajo y muestrea

Crea quickstart.py:

import os

import tinker


service_client = tinker.ServiceClient()
outcome = "errored"
try:
    capabilities = service_client.get_server_capabilities()
    print(capabilities)

    training_client = service_client.create_lora_training_client(
        base_model=os.environ["FASTINO_TRAINING_MODEL"],
        rank=int(os.environ["FASTINO_TRAINING_LORA_RANK"]),
    )

    job_id = training_client.get_info().model_data.model_id
    print(f"TRAINING_JOB_ID={job_id}")

    checkpoint = training_client.save_weights_for_sampler(
        "quickstart-sampler"
    ).result()
    sampling_client = service_client.create_sampling_client(
        model_path=checkpoint.path
    )

    tokenizer = sampling_client.get_tokenizer()
    prompt_tokens = tokenizer.apply_chat_template(
        conversation=[
            {
                "role": "user",
                "content": "Explain the purpose of a reward function in one sentence.",
            }
        ],
        add_generation_prompt=True,
        return_dict=False,
    )
    result = sampling_client.sample(
        prompt=tinker.types.ModelInput.from_ints(prompt_tokens),
        num_samples=1,
        sampling_params=tinker.types.SamplingParams(max_tokens=64),
    ).result()

    print(tokenizer.decode(result.sequences[0].tokens))
except KeyboardInterrupt:
    outcome = "interrupted"
    raise
else:
    outcome = "success"
finally:
    service_client.close(outcome).result()

Ejecuta el script:

python quickstart.py

Copia el valor que se imprime después de TRAINING_JOB_ID=.

7. Verifica el trabajo canónico

export TRAINING_JOB_ID="<ID printed by quickstart.py>"
curl --fail-with-body \
  -H "X-API-Key: $FASTINO_API_KEY" \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID"

$env:TRAINING_JOB_ID = "<ID printed by quickstart.py>"
Invoke-RestMethod `
  -Headers @{ "X-API-Key" = "$env:FASTINO_API_KEY" } `
  -Uri "https://api.fastino.ai/v1/training/jobs/$env:TRAINING_JOB_ID"

La respuesta describe el mismo trabajo creado por create_lora_training_client(...). Sigue usando el cliente del SDK para las operaciones del modelo y la API canónica de trabajos para las lecturas de trabajos documentadas.

Continúa

Datasets

Prepara y valida los datos de entrenamiento.

Referencia de trabajos

Consulta el contrato completo de solicitud y respuesta.

Bucle de entrenamiento

Añade recompensas, actualizaciones y recuperación a un bucle personalizado.

Empezar

Modelos de decisión

Entidades y clasificación

API de entrenamiento

API de inferencia

Solución de problemas

Integraciones SDK

Modelos

Cuenta

Guía rápida de la API de entrenamiento

1. Autentícate

2. Elige una vía

Entrenamiento gestionado

3. Prepara un dataset

4. Elige un modelo

5. Crea el trabajo

6. Consulta el trabajo

Bucle de entrenamiento personalizado

3. Instala el cliente probado

4. Configura el cliente

5. Elige un modelo habilitado

6. Crea el trabajo y muestrea

7. Verifica el trabajo canónico

Continúa

Datasets

Referencia de trabajos

Bucle de entrenamiento

​1. Autentícate

​2. Elige una vía

​Entrenamiento gestionado

​3. Prepara un dataset

​4. Elige un modelo

​5. Crea el trabajo

​6. Consulta el trabajo

​Bucle de entrenamiento personalizado

​3. Instala el cliente probado

​4. Configura el cliente

​5. Elige un modelo habilitado

​6. Crea el trabajo y muestrea

​7. Verifica el trabajo canónico

​Continúa

Datasets

Referencia de trabajos

Bucle de entrenamiento

1. Autentícate

2. Elige una vía

Entrenamiento gestionado

3. Prepara un dataset

4. Elige un modelo

5. Crea el trabajo

6. Consulta el trabajo

Bucle de entrenamiento personalizado

3. Instala el cliente probado

4. Configura el cliente

5. Elige un modelo habilitado

6. Crea el trabajo y muestrea

7. Verifica el trabajo canónico

Continúa