# Documentation Fastino Labs en français > Créez des décisions structurées avec GLiDE, effectuez une extraction basée sur des schémas avec GLiNER et affinez des modèles spécialisés avec Fastino. > ## Instructions pour les agents > Utilisez https://docs.fastino.ai/openapi.json comme source de vérité pour les routes publiques. Pour l'inférence de décisions GLiDE, appelez `POST /v1/systemone` avec le modèle `fastino/GLiDE`. Lancez l'entraînement géré (job `config`) avec `POST /v1/training/jobs` et `base_model`. Les clients JSON natifs utilisent les opérations interactives publiques sous `/v1/training/jobs` et `/v1/training/usage`. Les clients Tinker existants conservent `tinker==0.32.0` et configurent uniquement l'URL de base `/v1/training/compat/tinker` et `TINKER_CREDENTIAL_CMD`. Les routes enfants sont privées. Auto Train est en accès privé et n'a pas de route publique ; orientez les utilisateurs vers `sales@fastino.ai`. N'inférez pas de routes non documentées. Lisez les clés API depuis `FASTINO_API_KEY` et n'intégrez jamais d'identifiants dans le code, les journaux ou les rapports. ## Ressources pour les agents - [Index de la documentation anglaise](https://docs.fastino.ai/llms.txt): Consultez la documentation Fastino en anglais. - [Spécification OpenAPI](https://docs.fastino.ai/openapi.json): Consultez les routes publiques, les exigences d'authentification et les schémas. - [Catalogue de compétences pour agents](https://docs.fastino.ai/.well-known/agent-skills/index.json): Découvrez des compétences installables pour les jeux de données, l'affinage, GLiDE, GLiNER et l'inférence. ## Documentation ### Démarrage - [Introduction](https://docs.fastino.ai/fr/introduction.md): Exécutez des modèles d'inférence spécialisés ou entraînez les vôtres avec les API d'inférence et d'entraînement Fastino. - [Démarrage rapide](https://docs.fastino.ai/fr/quickstart.md): Effectuez votre premier appel d'inférence GLiDE et créez un job d'entraînement de décodeur sur Fastino. - [Skill d'agent Fastino GLiDE](https://docs.fastino.ai/fr/concepts/glide-agent-skill.md): Installez le skill GLiDE hébergé par Fastino pour Cursor, Claude Code et Codex. - [Recettes](https://docs.fastino.ai/fr/cookbooks/overview.md): Recettes GLiDE et GLiNER 2.5 Multi pour trier des tickets de support, contrôler un agent, détecter une injection de prompt, extraire entités et relations. - [Exemples de cas d'usage](https://docs.fastino.ai/fr/example-use-cases.md): Découvrez des façons concrètes d'utiliser GLiDE dans les systèmes d'IA, les opérations, la sécurité, la recherche et les workflows produit. ### Modèles de décision - [Modèles de décision : classification, routage, notation](https://docs.fastino.ai/fr/concepts/decision-models.md): Découvrez comment les modèles de décision classifient, routent et notent avec une confiance explicite, et en quoi ils diffèrent des modèles génératifs. - [GLiDE : modèle de décision pour questions typées](https://docs.fastino.ai/fr/concepts/glide.md): Découvrez ce qu'est GLiDE, quand l'utiliser et par où commencer avec les questions de décision typées. - [Appeler GLiDE](https://docs.fastino.ai/fr/inference/systemone.md): Authentifiez-vous, envoyez une requête de décision à GLiDE et gérez les probabilités et la confiance. - [Noul](https://docs.fastino.ai/fr/concepts/glide-noul.md): Posez une question oui/non à GLiDE et recevez la probabilité calibrée que la réponse soit vraie. - [Choice](https://docs.fastino.ai/fr/concepts/glide-choice.md): Demandez à GLiDE de sélectionner une option définie par l'appelant et de renvoyer la distribution de probabilité complète. - [Score](https://docs.fastino.ai/fr/concepts/glide-score.md): Demandez à GLiDE d'évaluer une grille ordonnée et de renvoyer des résultats discrets et continus. - [Capacités de GLiDE](https://docs.fastino.ai/fr/concepts/glide-capabilities.md): Découvrez le comportement de décision de GLiDE, la confiance, les limites de contexte et les formes de requêtes non prises en charge. - [Classifier des requêtes avec GLiDE](https://docs.fastino.ai/fr/guides/glide-classification.md): Classifiez des requêtes avec GLiDE à l'aide de questions Noul binaires ou de questions Choice à plusieurs catégories. - [Router des agents, des outils et des modèles avec GLiDE](https://docs.fastino.ai/fr/guides/glide-routing.md): Créez un routeur de requêtes avec GLiDE, examinez les probabilités et envoyez les décisions incertaines vers une solution de repli. - [Évaluer à l'aide de grilles ordonnées avec GLiDE](https://docs.fastino.ai/fr/guides/glide-scoring.md): Mettez en place un scoring basé sur une grille avec GLiDE et exploitez à la fois les résultats discrets et continus. - [Créer des garde-fous de politique et de sécurité avec GLiDE](https://docs.fastino.ai/fr/guides/glide-policy-safety.md): Évaluez des actions proposées au regard d'une politique fournie et envoyez les cas incertains ou à haut risque en revue. - [Reclasser les passages récupérés avec GLiDE](https://docs.fastino.ai/fr/guides/glide-reranking.md): Évaluez la pertinence des passages par rapport à une requête avec GLiDE, filtrez les correspondances faibles et reclassez le contexte récupéré. - [Recette : Trier un ticket de support](https://docs.fastino.ai/fr/cookbooks/glide-support-ticket-triage.md): Envoyez un ticket de support vers une file, évaluez son urgence et décidez si une personne doit répondre, en un seul appel GLiDE. - [Recette : Contrôler la prochaine action d'un agent](https://docs.fastino.ai/fr/cookbooks/glide-gate-agent-actions.md): Vérifiez l'action proposée par un agent au regard de votre politique et décidez s'il agit, s'il demande d'abord à l'utilisateur ou s'il poursuit sa recherche. - [Recette : Détecter une injection de prompt](https://docs.fastino.ai/fr/cookbooks/glide-prompt-injection.md): Repérez les instructions cachées dans le contenu que lit votre agent, avant qu'il ne leur obéisse. - [GLiNER 2.5 Decide : classification définie par schéma](https://docs.fastino.ai/fr/concepts/gliner-2-5-decide.md): Découvrez quand utiliser GLiNER 2.5 Decide pour une classification rapide de texte anglais définie par schéma. - [Appeler GLiNER 2.5 Decide](https://docs.fastino.ai/fr/concepts/gliner-2-5-decide-call.md): Authentifiez-vous et effectuez une première requête de classification définie par schéma avec GLiNER 2.5 Decide. - [Classification GLiNER 2.5 Decide](https://docs.fastino.ai/fr/concepts/gliner-2-5-decide-schema.md): Configurez les tâches de classification de Decide et analysez leurs résultats mono-étiquette, multi-étiquettes ou à tâches multiples. - [Évaluer et entraîner GLiNER 2.5 Decide](https://docs.fastino.ai/fr/concepts/gliner-2-5-decide-thresholds.md): Évaluez GLiNER 2.5 Decide, sélectionnez des seuils multi-étiquettes et adaptez le modèle à votre domaine par fine-tuning. - [Capacités de GLiNER 2.5 Decide](https://docs.fastino.ai/fr/concepts/gliner-2-5-decide-capabilities.md): Découvrez la langue, le comportement de classification, les limites de schéma et les modèles non pris en charge de GLiNER 2.5 Decide. ### API d'entraînement - [Vue d'ensemble de l'API d'entraînement](https://docs.fastino.ai/fr/training.md): Choisissez l'entraînement géré, l'entraînement interactif ou Auto Train, un agent d'entraînement autonome privé. - [Démarrage rapide de l'encodeur](https://docs.fastino.ai/fr/training/encoder-quickstart.md): Fine-tunez un encodeur GLiNER avec l'entraînement géré : authentifiez-vous, préparez un dataset, choisissez un modèle, créez le job et suivez son statut. - [Démarrage rapide du décodeur](https://docs.fastino.ai/fr/training/decoder-quickstart.md): Entraînez un LLM décodeur Nemotron ou Qwen avec l'entraînement interactif via l'API REST native, puis vérifiez son ID de job canonique. - [Migrer depuis Tinker](https://docs.fastino.ai/fr/training/migrate-from-tinker.md): Exécutez votre workload Tinker Python SDK sur Fastino : modifiez l'URL de base et l'identifiant du SDK, vérifiez la connexion et consultez les limites. - [Préparer et importer des datasets d'entraînement](https://docs.fastino.ai/fr/concepts/datasets.md): Formatez, importez, validez et inspectez des datasets NER ou de classification avant de lancer un job d'entraînement GLiNER Fastino. - [Connecter des données Azure Blob avec un agent](https://docs.fastino.ai/fr/guides/azure-blob-connector.md): Demandez à Cursor, Claude Code ou Codex de connecter un conteneur Azure Blob à un projet Fastino avec un accès en lecture seule. - [Fine-tuner GLiNER](https://docs.fastino.ai/fr/guides/fine-tune-gliner.md): Préparez un dataset GLiNER, démarrez un entraînement géré (job config) et surveillez-le jusqu'aux checkpoints et à son achèvement. - [Construire une boucle d'entraînement interactive](https://docs.fastino.ai/fr/training/training-loop.md): Reliez l'échantillonnage, les récompenses, les mises à jour et les checkpoints au sein d'un même job interactif Fastino. - [S'entraîner avec des récompenses vérifiables](https://docs.fastino.ai/fr/training/verifiable-rewards.md): Transformez un évaluateur déterministe en signal d'apprentissage pour un job interactif Fastino. - [Checkpoints et récupération](https://docs.fastino.ai/fr/training/checkpoints.md): Enregistrez l'état d'un job interactif et la progression de l'application, puis récupérez-les sans rejouer le travail terminé. - [Auto Train](https://docs.fastino.ai/fr/training/auto.md): Déléguez la préparation des données, l'entraînement, l'évaluation et la sélection du modèle à l'agent d'entraînement autonome de Fastino. ### Modèles GLiNER - [GLiNER2.5](https://docs.fastino.ai/fr/concepts/gliner.md): Découvrez quand et comment utiliser GLiNER2.5 Multi pour l'extraction d'informations multilingue pilotée par schéma. - [Skill d'agent GLiNER](https://docs.fastino.ai/fr/concepts/gliner-agent-skill.md): Installez le skill GLiNER hébergé par Fastino pour Cursor, Claude Code et Codex. - [Inférence GLiNER avec /v1/chat/completions](https://docs.fastino.ai/fr/inference/chat-completions.md): Utilisez POST /v1/chat/completions pour l'extraction, la classification, les enregistrements et les relations GLiNER, et non pour les décisions GLiDE. - [Recette : Extraire des entités d'un texte multilingue](https://docs.fastino.ai/fr/cookbooks/gliner-entity-extraction.md): Extrayez les personnes, organisations, lieux et dates d'un texte dans n'importe quelle langue prise en charge avec GLiNER 2.5 Multi. - [Recette : Classer un texte selon vos propres libellés](https://docs.fastino.ai/fr/cookbooks/gliner-text-classification.md): Étiquetez un texte avec plusieurs tâches de classification indépendantes en un seul appel GLiNER 2.5 Multi. - [Recette : Extraire les relations entre entités](https://docs.fastino.ai/fr/cookbooks/gliner-relation-extraction.md): Identifiez qui travaille où, ce qui se trouve où et qui a racheté qui, sous forme de paires tête-queue, avec GLiNER 2.5 Multi. ### API d'inférence - [API d'inférence : exécuter les modèles Fastino](https://docs.fastino.ai/fr/inference.md): Découvrez comment exécuter des inférences avec les modèles Fastino via les API GLiDE et compatibles OpenAI. - [Authentification de l'API Fastino : gérer les clés API](https://docs.fastino.ai/fr/authentication.md): Authentifiez les requêtes à l'API Fastino avec l'en-tête X-API-Key ou un jeton Bearer, puis créez, renouvelez et révoquez vos clés API. ### Dépannage - [Codes d'erreur et formats de réponse de l'API Fastino](https://docs.fastino.ai/fr/troubleshooting/errors.md): Tous les codes 4xx et 5xx renvoyés par l'API Fastino, le format JSON par famille et comment résoudre les erreurs de facturation, de débit et de validation. - [Nouvelles tentatives et préchauffage](https://docs.fastino.ai/fr/troubleshooting/retries.md): Gérez les réponses transitoires 425, 429, 503 et 529 compatibles Anthropic sans répéter les erreurs permanentes. ### Modèles - [Catalogue de modèles](https://docs.fastino.ai/fr/concepts/models.md): Comparez les modèles disponibles pour l'inférence et l'entraînement, notamment leurs identifiants, spécifications, tarifs et workflows. ### Compte - [Tarifs](https://docs.fastino.ai/fr/pricing.md): Tarifs de l'inférence Fastino, de l'entraînement par job de configuration et de l'utilisation interactive de la Training API selon le modèle. - [Confiance et sécurité](https://docs.fastino.ai/fr/trust-safety.md): Comment Fastino protège vos données, sécurise son infrastructure et développe une IA que vous pouvez déployer de manière responsable. ## Référence API ### Inférence - [Référence de l'API](https://docs.fastino.ai/fr/api-reference/overview.md): Configurez votre compte et démarrez avec Fastino en quelques minutes. Générez une clé API, parcourez les modèles disponibles et lancez votre première inférence ou votre premier job d'entraînement. - [Référence de l’API d’inférence](https://docs.fastino.ai/fr/api-reference/inference/overview.md): Contrats exacts de requête et de réponse pour GLiDE, GLiNER, la compatibilité, l’historique et le feedback. - [Lister les modèles de compatibilité](https://docs.fastino.ai/fr/api-reference/inference/models.md): Listez les ID de modèles exposés via les surfaces SDK compatibles OpenAI et Anthropic. - [Obtenir l'état du modèle](https://docs.fastino.ai/fr/api-reference/inference/model-status.md): Vérifiez si un modèle est prêt, en démarrage ou à froid avant d'envoyer du trafic d'inférence. - [Préchauffer un modèle](https://docs.fastino.ai/fr/api-reference/inference/model-status-warm.md): Démarrez un modèle à froid sans exécuter d'inférence, afin que les requêtes suivantes ne renvoient pas 425. - [Inférence de décision GLiDE](https://docs.fastino.ai/fr/api-reference/inference/systemone.md): Appelez GLiDE avec un état et des questions typées, et recevez des réponses de décision calibrées. - [Chat Completions](https://docs.fastino.ai/fr/api-reference/inference/chat-completions.md): Exécutez l'extraction, la classification et les tâches structurées GLiNER, ainsi que l'inférence de décodeur prise en charge. - [Responses compatibles OpenAI](https://docs.fastino.ai/fr/api-reference/inference/responses.md): Exécutez les modèles Fastino pris en charge via le contrat d'échange OpenAI Responses. - [Messages compatibles Anthropic](https://docs.fastino.ai/fr/api-reference/inference/messages.md): Exécutez les modèles Fastino pris en charge via le contrat d'échange Anthropic Messages. - [Inférence GLiNER-2 native](https://docs.fastino.ai/fr/api-reference/inference/gliner-2.md): Exécutez une extraction et une classification GLiNER-2 natives et synchrones avec le schéma GLiNER unifié, avec des exemples d'entités et de classification. - [Soumettre un job GLiNER-2 asynchrone](https://docs.fastino.ai/fr/api-reference/inference/gliner-2-async.md): Soumettez à POST /v1/gliner-2/async des entrées GLiNER-2 de plus d'un million de tokens pour un traitement asynchrone sans dépasser le délai synchrone. - [Obtenir un job GLiNER-2 asynchrone](https://docs.fastino.ai/fr/api-reference/inference/gliner-2-job-status.md): Interrogez un job GLiNER-2 asynchrone via son job_id jusqu'à ce qu'il se termine ou échoue, avec des exemples de réponses en cours, terminées et en erreur. - [Lister l'historique d'inférence](https://docs.fastino.ai/fr/api-reference/inference/history/list.md): Appelez GET /v1/inferences pour lister les enregistrements d'inférence stockés avec les filtres et la pagination pris en charge. - [Obtenir un enregistrement d'inférence](https://docs.fastino.ai/fr/api-reference/inference/history/get.md): Appelez GET /v1/inferences/{inference_id} pour récupérer un enregistrement d'inférence stocké à partir de son identifiant. - [Obtenir le feedback d'une inférence](https://docs.fastino.ai/fr/api-reference/inference/history/get-feedback.md): Appelez GET /v1/inferences/{inference_id}/feedback pour récupérer le feedback stocké pour une inférence, identifiée par son inference_id. - [Soumettre un feedback d'inférence](https://docs.fastino.ai/fr/api-reference/inference/history/submit-feedback.md): Soumettez un verdict et une sortie corrigée facultative pour une inférence stockée. ### Entraînement - [Référence de l’API d’entraînement](https://docs.fastino.ai/fr/api-reference/training/overview.md): Contrats REST publics pour l'entraînement géré et le cycle de vie canonique partagé par les jobs config et interactive. - [Lister les modèles disponibles et entraînables](https://docs.fastino.ai/fr/api-reference/training/base-models.md): Cette page documente `GET /v1/base-models`. La spécification OpenAPI est la source canonique pour les paramètres, les réponses et l'authentification. - [Lister les datasets](https://docs.fastino.ai/fr/api-reference/datasets/list.md): Listez les datasets de votre compte Fastino authentifié avec GET /v1/datasets et paginez les résultats avec les paramètres de requête limit et offset. - [Créer une URL d'import de dataset](https://docs.fastino.ai/fr/api-reference/datasets/upload-url.md): Créez une URL d'import présignée avec POST /v1/datasets/upload/url, importez le fichier en application/octet-stream, puis traitez-le avec le dataset_id renvoyé. - [Traiter un dataset importé](https://docs.fastino.ai/fr/api-reference/datasets/process-upload.md): Mettez le traitement asynchrone en file après l'import du fichier avec POST /v1/datasets/upload/process et son dataset_id. - [Lister les versions d'un dataset](https://docs.fastino.ai/fr/api-reference/datasets/versions.md): Listez toutes les versions visibles, les états de traitement et les métadonnées d'un dataset avec GET /v1/datasets/{name}. - [Supprimer un dataset](https://docs.fastino.ai/fr/api-reference/datasets/delete.md): Supprimez logiquement un dataset et toutes ses versions stockées par nom avec DELETE /v1/datasets/{name}. - [Créer un job d'entraînement de configuration](https://docs.fastino.ai/fr/api-reference/training-jobs/create.md): Appelez POST /v1/training/jobs pour démarrer un entraînement géré asynchrone (job config) à partir d'un modèle de base et de datasets. - [Lister les jobs d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/list.md): Appelez GET /v1/training/jobs pour lister les jobs de configuration et interactifs visibles par votre compte. - [Obtenir un job d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/get.md): Obtenez un job d'entraînement de configuration ou interactif à partir de son ID de job Fastino canonique. - [Mettre à jour le projet d'un job d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/update-project.md): Appelez PATCH /v1/training/jobs/{job_id} pour affecter un job d'entraînement Fastino à un projet, ou envoyez null pour le désaffecter du projet. - [Supprimer un job d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/delete.md): Appelez DELETE /v1/training/jobs/{job_id} pour supprimer définitivement un job, ses checkpoints et artefacts. Un job actif est d'abord arrêté. - [Arrêter un job d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/stop.md): Arrêtez un job d'entraînement Fastino en cours en conservant les checkpoints existants. - [Terminer un job d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/terminate.md): Terminez un job d'entraînement de configuration en conservant ses checkpoints, sauf si leur suppression est explicitement demandée. - [Synchroniser une tâche d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/sync.md): Actualisez le statut d'une tâche d'entraînement depuis son fournisseur en appelant POST /v1/training/jobs/{job_id}/sync avec l'ID de la tâche d'entraînement. - [Obtenir les logs d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/logs.md): Récupérez un instantané des logs de sortie d'un job d'entraînement Fastino. - [Obtenir la facturation d'un job d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/billing.md): Appelez GET /v1/training/jobs/{job_id}/billing pour savoir si un job d'entraînement Fastino a été facturé, avec le montant en USD et les minutes GPU. - [Lister les checkpoints d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/checkpoints.md): Listez les checkpoints des jobs config ou interactive et utilisez l'identifiant adapté à chaque type. - [Télécharger un checkpoint interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/download-checkpoint.md): Obtenez une URL présignée de stockage objet, à durée limitée, pour le checkpoint d’un job d’entraînement interactif. - [Déployer un checkpoint d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/deploy-checkpoint.md): Déployez un checkpoint déployable d'un job Fastino sur l'endpoint d'inférence multi-modèle hébergé, avec l'ID de checkpoint de l'endpoint de liste. - [Lister les déploiements d'une tâche d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/deployments.md): Appelez GET /v1/training/jobs/{job_id}/deployments pour lister les déploiements créés à partir d'une tâche d'entraînement ou qui lui sont associés. - [Renommer un modèle entraîné](https://docs.fastino.ai/fr/api-reference/training-jobs/update-model-name.md): Appelez PATCH /v1/training/jobs/{job_id}/model-name pour renommer un modèle entraîné. Les noms comptent 1 à 64 lettres, chiffres, tirets ou underscores. - [Télécharger les poids entraînés](https://docs.fastino.ai/fr/api-reference/training-jobs/download.md): Appelez GET /v1/training/jobs/{job_id}/download pour obtenir une URL présignée temporaire d'un artefact, avec son expiration et un nom de fichier suggéré. - [Publier un modèle entraîné sur Hugging Face Hub](https://docs.fastino.ai/fr/api-reference/training-jobs/push-to-hub.md): Publiez un artefact d'entraînement terminé sur Hugging Face Hub avec POST /v1/training/jobs/{job_id}/push-to-hub, en indiquant le repo_id cible et le hf_token. - [Créer un modèle interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/create-model.md): Créez un job LoRA interactif depuis un base_model, ou restaurez-le avec from_checkpoint et load_optimizer. La réponse renvoie un job_id et un future_id. - [Mettre en file une opération forward](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/forward.md): Calculez la perte et les log-probabilités par token d'un lot sans accumuler de gradients, pour l'évaluation d'un job interactif. Renvoie un future_id. - [Mettre en file une opération forward-backward](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/forward-backward.md): Mettez en file une passe forward-backward qui accumule les gradients d'un lot de datums, puis lisez la perte via le future_id du job interactif. - [Mettre en file une étape d'optimisation](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/optim-step.md): Appliquez avec AdamW les gradients accumulés par les passes forward-backward d'un job interactif. Le corps JSON est facultatif et la réponse est un future. - [Obtenir un future interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/get-future.md): Interrogez un future interactif pour son statut et son résultat. Avec wait=true, la requête attend jusqu'à 25 secondes ; les résultats restent une heure. - [Consulter une opération d’entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/get-operation.md): Retrouvez le job et le future d’un Idempotency-Key sans soumettre le travail une seconde fois. - [Annuler un future interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/cancel-future.md): Demandez l'annulation, au mieux, d'un future sample en attente ou en cours. Les futures terminaux et d'entraînement renvoient 204 sans effet, avec succès. - [Enregistrer les poids d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/save-weights.md): Enregistrez sous un nom les poids LoRA et l'état de l'optimiseur d'un job interactif. Renvoie un future_id, l'ID du checkpoint et son chemin tinker://. - [Enregistrer les poids sampler](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/save-weights-for-sampler.md): Enregistrez les poids LoRA d’un job interactif sous un nom, pour l’échantillonnage ou le téléchargement. Renvoie future_id, ID et chemin tinker://. - [Charger des poids d'entraînement](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/load-weights.md): Restaurez un checkpoint weights dans le même job interactif via son nom ou son chemin tinker://. Activez optimizer pour restaurer l'état de l'optimiseur. - [Échantillonner depuis un job interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/sample.md): Générez des continuations d'un prompt tokenisé avec un checkpoint sampler du job interactif, même après son arrêt. Lisez les tokens dans result.sequences. - [Déployer un checkpoint de job interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/deploy-checkpoint.md): Appelez POST /v1/training/jobs/{job_id}/checkpoints/sampler_weights/{name}/deploy pour servir un checkpoint sampler comme modèle entraîné. - [Obtenir un checkpoint interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/get-checkpoint.md): Renvoie un checkpoint d'un job d'entraînement interactif selon kind et name, où kind vaut weights ou sampler_weights. - [Supprimer un checkpoint interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/delete-checkpoint.md): Supprimez un checkpoint weights ou sampler_weights d'un job d'entraînement interactif. L'opération se termine de manière synchrone, sans corps de réponse. - [Publier un checkpoint interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/publish-checkpoint.md): Rendez public un checkpoint weights ou sampler_weights d'un job interactif : son champ public passe à true. Annulez l'opération avec DELETE .../publish. - [Dépublier un checkpoint interactif](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/unpublish-checkpoint.md): Rendez de nouveau privé un checkpoint weights ou sampler_weights publié d'un job d'entraînement interactif. La requête renvoie 204 No Content sans corps. - [Définir la rétention des checkpoints](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/set-checkpoint-ttl.md): Définissez la rétention d'un checkpoint weights ou sampler_weights d'un job interactif. Un TTL null conserve le checkpoint jusqu'à sa suppression. - [Utilisation du stockage des checkpoints interactifs](https://docs.fastino.ai/fr/api-reference/training-jobs/interactive/storage-usage.md): GET /v1/training/usage renvoie le stockage des checkpoints interactifs de l'équipe et son prix mensuel, sans l'utilisation du calcul ni la facturation totale.