> ## 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.

# Déployer un checkpoint d’une tâche interactive

> Appelez POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy pour servir un checkpoint sampler comme modèle entraîné.

`POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy`

Sert l’un des checkpoints sampler de la tâche comme modèle entraîné. Appelez-le avec [`POST /v1/chat/completions`](/fr/api-reference/inference/chat-completions) et `"model": "<model_id>"`. Le déploiement est disponible pour les modèles de base pris en charge ; les autres bases renvoient `400`.

Le `status` du modèle vaut `deploying` jusqu’à ce que le moteur de serving l’ait chargé, puis `deployed`. Redéployer le même checkpoint renvoie le même modèle et son état actuel : vous pouvez donc répéter l’appel pour suivre la progression. Si une tentative précédente a échoué, l’appel répété la relance.

<ParamField header="X-API-Key" type="string" required>
  Votre clé API Fastino.
</ParamField>

<ParamField path="job_id" type="string" required>
  ID de la tâche interactive.
</ParamField>

<ParamField path="name" type="string" required>
  Nom d’un checkpoint sampler enregistré avec [`save-weights-for-sampler`](/fr/api-reference/training-jobs/interactive/save-weights-for-sampler).
</ParamField>

<ParamField body="model_name" type="string">
  Jusqu’à 64 lettres, chiffres, tirets et tirets bas, commençant et finissant par une lettre ou un chiffre. Dérivé du nom du checkpoint s’il est omis. Le corps est facultatif.
</ParamField>

<RequestExample>
  ```bash cURL theme={null}
  curl -X POST "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/sampler_weights/step-000100/deploy" \
    -H "X-API-Key: $FASTINO_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{"model_name": "support-replies-v1"}'
  ```
</RequestExample>

<ResponseField name="model_id" type="string">
  ID du modèle entraîné. Passez-le comme `model` pour l’inférence.
</ResponseField>

<ResponseField name="job_id" type="string">
  La tâche interactive qui a enregistré le checkpoint.
</ResponseField>

<ResponseField name="checkpoint_id" type="string">
  `sampler_weights/<name>`.
</ResponseField>

<ResponseField name="base_model" type="string">
  Le modèle de base du modèle.
</ResponseField>

<ResponseField name="project_id" type="string | null">
  Le projet de la tâche, le cas échéant.
</ResponseField>

<ResponseField name="status" type="string">
  `deploying` ou `deployed`.
</ResponseField>

<ResponseExample>
  ```json Response theme={null}
  {
    "model_id": "MODEL_ID",
    "job_id": "SESSION_ID:train:0",
    "checkpoint_id": "sampler_weights/step-000100",
    "base_model": "nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16",
    "project_id": null,
    "status": "deploying"
  }
  ```
</ResponseExample>

| Statut | Signification |
| - | - |
| `400` | Le serving n’est pas encore disponible pour le modèle de base de la tâche, ou le checkpoint n’est pas un adaptateur PEFT accepté par le moteur de serving. |
| `404` | La tâche ou le checkpoint sampler n’existe pas, appartient à une autre équipe ou n’a pas de fichiers. |
| `409` | Un autre modèle utilise déjà `model_name`, ou le modèle servi depuis ce checkpoint a été supprimé. Enregistrez les poids sous un nouveau nom pour les redéployer. |
| `422` | `model_name` n’est pas valide ou le corps contient un champ inconnu. |


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