Fine-tuner GLiNER

Ce guide crée un job d’entraînement config. Vous fournissez un dataset prêt et les paramètres d’entraînement ; Fastino exécute la boucle d’entraînement.

Avant de commencer

Définissez FASTINO_API_KEY comme indiqué dans la présentation de l’API d’entraînement. Les exemples l’envoient dans l’en-tête X-API-Key et utilisent jq pour lire les réponses JSON.

1. Choisir la tâche

Extraction

Entraînez GLiNER à trouver des segments étiquetés, tels que des personnes, des produits ou des lieux. Préparez des lignes text et entities, puis importez le dataset comme données NER.

Classification

Entraînez GLiNER à attribuer une ou plusieurs étiquettes à un texte. Préparez des lignes text avec label ou labels, puis importez le dataset comme données de classification.

Conservez une seule structure de ligne dans chaque fichier JSONL. Consultez Préparer et importer des datasets d’entraînement pour connaître les formats JSONL GLiNER exacts, la requête d’URL d’import, l’import du fichier, la requête de traitement et la vérification de disponibilité. Ne continuez qu’une fois que la version du dataset indique ready.

2. Interroger les modèles entraînables

Ne codez pas en dur un modèle de base provenant d’un ancien exemple. Interrogez le catalogue actif juste avant de créer le job :

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

Choisissez un modèle GLiNER prenant en charge votre tâche et le type d’entraînement souhaité. Copiez son ID exact dans le champ base_model de l’API d’entraînement native.

3. Créer un job de configuration

Remplacez ci-dessous le modèle du catalogue, le nom du dataset et sa version.

curl -sS -X POST "https://api.fastino.ai/v1/training/jobs" \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "support-request-extractor",
    "base_model": "BASE_MODEL_ID_FROM_CATALOG",
    "datasets": [
      {
        "name": "READY_DATASET_NAME",
        "version": "VERSION_NUMBER"
      }
    ],
    "training_type": "lora"
  }' | tee training-job.json

La réponse est l’enregistrement du job créé. Conservez son id :

export TRAINING_JOB_ID="$(jq -r '.id' training-job.json)"
test "$TRAINING_JOB_ID" != "null"

Consultez la référence de création d’un job pour connaître les champs facultatifs des jobs de configuration.

4. Interroger le job

Interrogez GET /v1/training/jobs/{job_id} jusqu’à ce que is_terminal_status soit true :

while true; do
  if ! JOB="$(
    curl --fail-with-body -sS \
      "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID" \
      -H "X-API-Key: $FASTINO_API_KEY"
  )"; then
    echo "Could not read training job" >&2
    exit 1
  fi

  echo "$JOB" | jq -e 'has("is_terminal_status")' >/dev/null || {
    echo "Training response has no terminal-state field" >&2
    exit 1
  }

  echo "$JOB" | jq '{
    normalized_status,
    is_terminal_status,
    error_message,
    is_deployable,
    deployability_reason
  }'

  [ "$(echo "$JOB" | jq -r '.is_terminal_status')" = "true" ] && break
  sleep 10
done

Pour connaître les statuts des jobs de configuration et les recommandations concernant les états terminaux, consultez la présentation de l’API d’entraînement.

5. Inspecter les logs et les checkpoints

Consultez les logs lorsque vous avez besoin de détails sur la progression ou sur un échec :

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/logs" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Listez les checkpoints créés par Fastino :

curl -sS \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints" \
  -H "X-API-Key: $FASTINO_API_KEY" | tee training-checkpoints.json | jq

export CHECKPOINT_ID="$(
  jq -r '[.checkpoints[] | select(.is_deployable == true)] | first | .id // empty' \
    training-checkpoints.json
)"
test -n "$CHECKPOINT_ID"

Consultez les pages logs et checkpoints pour connaître les champs de leurs réponses.

6. Déployer le modèle entraîné

Vérifiez les champs is_deployable et deployability_reason du job terminé avant le déploiement :

curl --fail-with-body -sS -X POST \
  "https://api.fastino.ai/v1/training/jobs/$TRAINING_JOB_ID/checkpoints/$CHECKPOINT_ID/deploy" \
  -H "X-API-Key: $FASTINO_API_KEY" | jq

Interrogez à nouveau le job jusqu’à ce que son état de déploiement soit prêt. L’ID du job d’entraînement est l’identifiant de modèle utilisé pour l’inférence hébergée.

7. Exécuter l’inférence GLiNER

curl --fail-with-body -sS \
  "https://api.fastino.ai/v1/chat/completions" \
  -H "Authorization: Bearer $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"$TRAINING_JOB_ID\",
    \"messages\": [
      {
        \"role\": \"user\",
        \"content\": \"Ada Lovelace worked in London.\"
      }
    ],
    \"schema\": {
      \"entities\": [
        {\"name\": \"person\"},
        {\"name\": \"location\"}
      ]
    }
  }" | jq -r '.choices[0].message.content | fromjson'

Appeler GLiNER

Utilisez GLiNER pour l’extraction ou la classification via POST /v1/chat/completions.

Installer la compétence d'agent GLiNER

Ajoutez éventuellement le workflow GLiNER hébergé à Cursor, Claude Code ou Codex.

Démarrage

Modèles de décision

Entités et classification

API d'entraînement

API d'inférence

Dépannage

Intégrations SDK

Modèles

Compte

Avant de commencer

1. Choisir la tâche

Extraction

Classification

2. Interroger les modèles entraînables

3. Créer un job de configuration

4. Interroger le job

5. Inspecter les logs et les checkpoints

6. Déployer le modèle entraîné

7. Exécuter l’inférence GLiNER

Appeler GLiNER

Installer la compétence d'agent GLiNER

​Avant de commencer

​1. Choisir la tâche

Extraction

Classification

​2. Interroger les modèles entraînables

​3. Créer un job de configuration

​4. Interroger le job

​5. Inspecter les logs et les checkpoints

​6. Déployer le modèle entraîné

​7. Exécuter l’inférence GLiNER

Appeler GLiNER

Installer la compétence d'agent GLiNER

Avant de commencer

1. Choisir la tâche

2. Interroger les modèles entraînables

3. Créer un job de configuration

4. Interroger le job

5. Inspecter les logs et les checkpoints

6. Déployer le modèle entraîné

7. Exécuter l’inférence GLiNER