Référence de l'API

Ce guide vous présente le chemin le plus rapide vers une intégration Fastino fonctionnelle. À la fin, vous aurez effectué un appel d’inférence réussi et compris la structure de l’API. Il vous suffit d’un compte Fastino et d’un terminal.

Créer un compte et obtenir votre clé API

Créez un compte sur Fastino.Une fois connecté, accédez à Settings → API Keys et générez une nouvelle clé. Copiez-la en lieu sûr, car vous ne pourrez plus l’afficher après avoir fermé la boîte de dialogue.Définissez votre clé comme variable d’environnement pour que les exemples ci-dessous fonctionnent tels quels :

export FASTINO_API_KEY="your_api_key_here"

Lister les modèles de base disponibles (facultatif)

Utilisez GET /v1/base-models pour parcourir les modèles disponibles chez Fastino.

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

import os
import requests

response = requests.get(
    "https://api.fastino.ai/v1/base-models",
    headers={"X-API-Key": os.environ["FASTINO_API_KEY"]},
)
response.raise_for_status()
print(response.json())

const response = await fetch(
  "https://api.fastino.ai/v1/base-models",
  {
    headers: {
      "X-API-Key": process.env.FASTINO_API_KEY
    }
  }
);

if (!response.ok) {
  throw new Error(`Model request failed: ${response.status}`);
}

console.log(await response.json());

La réponse liste les ID de modèles que vous pouvez passer à /v1/chat/completions. Par exemple, fastino/gliner2-base-v1 est un modèle de base GLiNER destiné aux tâches d’extraction.

Effectuer votre premier appel d'inférence

Appelez POST /v1/chat/completions avec un modèle, un message et un schéma qui définit ce que vous souhaitez extraire. Cet exemple utilise GLiNER pour extraire les entités nommées d’une phrase.

curl -X POST "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2.5-multi-v1",
    "messages": [
      {
        "role": "user",
        "content": "Apple announced the MacBook Pro at WWDC in Cupertino."
      }
    ],
    "schema": {
      "entities": [
        {
          "name": "organization",
          "description": "business or institution name"
        },
        {
          "name": "product",
          "description": "named commercial product"
        },
        {
          "name": "event",
          "description": "named conference or event"
        },
        {
          "name": "location",
          "description": "city, region, or place"
        }
      ]
    },
    "threshold": 0.5
  }'

import json
import os

import requests

response = requests.post(
    "https://api.fastino.ai/v1/chat/completions",
    headers={
        "Authorization": f"Bearer {os.environ['FASTINO_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={
        "model": "fastino/gliner2.5-multi-v1",
        "messages": [
            {
                "role": "user",
                "content": "Apple announced the MacBook Pro at WWDC in Cupertino.",
            }
        ],
        "schema": {
            "entities": [
                {"name": "organization", "description": "business or institution name"},
                {"name": "product", "description": "named commercial product"},
                {"name": "event", "description": "named conference or event"},
                {"name": "location", "description": "city, region, or place"},
            ]
        },
        "threshold": 0.5,
    },
)
response.raise_for_status()

result = response.json()
entities = json.loads(result["choices"][0]["message"]["content"])
print(json.dumps(entities, indent=2))

const response = await fetch(
  "https://api.fastino.ai/v1/chat/completions",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.FASTINO_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: "fastino/gliner2.5-multi-v1",
      messages: [
        {
          role: "user",
          content: "Apple announced the MacBook Pro at WWDC in Cupertino.",
        },
      ],
      schema: {
        entities: [
          { name: "organization", description: "business or institution name" },
          { name: "product", description: "named commercial product" },
          { name: "event", description: "named conference or event" },
          { name: "location", description: "city, region, or place" },
        ],
      },
      threshold: 0.5,
    }),
  }
);

if (!response.ok) {
  throw new Error(`Inference failed: ${response.status} ${await response.text()}`);
}

const result = await response.json();
const entities = JSON.parse(result.choices[0].message.content);
console.log(JSON.stringify(entities, null, 2));

Pour les modèles encodeurs tels que GLiNER, l’objet schema définit la tâche et peut inclure :

entities - définitions d’entités pour l’extraction d’entités nommées
classifications - définitions {task, labels} pour la classification de texte
structures - définitions d’enregistrements structurés pour l’extraction JSON
relations - définitions de relations

Pour les modèles décodeurs, omettez schema et envoyez un message de chat classique.

model doit être l’ID d’un modèle de base compatible avec l’inférence ou l’UUID d’un job d’entraînement terminé et déployable. Après l’entraînement, déployez l’artefact sélectionné avant d’utiliser l’UUID du job pour l’inférence.

Lancer un job d'entraînement (facultatif)

Lorsque vous êtes prêt à effectuer un fine-tuning sur vos propres données, lancez un job d’entraînement :

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": "my-gliner-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.fastino.ai/v1/training/jobs",
    headers={
        "X-API-Key": os.environ["FASTINO_API_KEY"],
        "Content-Type": "application/json",
    },
    json={
        "model_name": "my-gliner-model",
        "base_model": "fastino/gliner2-base-v1",
        "datasets": [{"name": "my-dataset"}],
        "training_type": "lora",
        "nr_epochs": 5,
        "learning_rate": 5e-5,
    },
)
response.raise_for_status()
print(response.json())

La réponse inclut l’id du job. Interrogez GET /v1/training/jobs/{id} pour vérifier son statut. Une fois que le job atteint le statut complete, déployez l’artefact sélectionné avant d’utiliser l’ID du job comme model dans /v1/chat/completions.Les clients JSON natifs utilisent les opérations publiques d’OpenAPI sous /v1/training/jobs et /v1/training/usage. Les clients Tinker existants conservent tinker==0.32.0 et configurent uniquement TINKER_BASE_URL=https://api.fastino.ai/v1/training/compat/tinker et TINKER_CREDENTIAL_CMD.Les statuts persistés du job progressent de requested → running → complete, ou se terminent par errored ou stopped. Le statut normalisé utilisé pour l’interrogation vaut failed en cas d’échec terminal.

Étapes suivantes

API d'entraînement

Effectuez le fine-tuning complet d’un modèle avec l’API Training de Fastino.

API d'inférence

Exécutez l’inférence avec des modèles de base ou fine-tunés via l’API Fastino.

Migrer depuis l’origine de l’API Pioneer

Les routes d’entraînement utilisent désormais le préfixe /v1. Par exemple, /felix/training-jobs devient /v1/training/jobs, et ses opérations propres à chaque job restent sous cette nouvelle famille de routes. Les intégrations directes à l’API doivent utiliser FASTINO_API_KEY avec une clé fast_sk_ nouvellement générée ; les anciennes clés pio_sk_ sont retirées. Les authentifications X-API-Key et Bearer restent toutes deux valides.

Inférence

Entraînement

Étapes suivantes

API d'entraînement

API d'inférence

Migrer depuis l’origine de l’API Pioneer

​Étapes suivantes

API d'entraînement

API d'inférence

​Migrer depuis l’origine de l’API Pioneer

Étapes suivantes

Migrer depuis l’origine de l’API Pioneer