Démarrage rapide Pioneer : de l'inscription à l'inférence

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

Inscrivez-vous et récupérez votre clé d'API

Créez un compte sur pioneer.ai.Une fois connecté, rendez-vous dans Paramètres → Clés d’API et générez une nouvelle clé. Copiez-la dans un endroit sûr — vous ne pourrez plus la consulter après avoir fermé la boîte de dialogue.

Ne versionnez pas votre clé d’API. Utilisez une variable d’environnement ou un gestionnaire de secrets plutôt que de l’inscrire en dur dans vos fichiers sources.

Définissez votre clé comme variable d’environnement afin que les exemples ci-dessous fonctionnent tels quels :

export PIONEER_API_KEY="your_api_key_here"

Listez les modèles de base disponibles

Avant d’exécuter une inférence, vous pouvez parcourir les modèles proposés par Pioneer. Utilisez GET /base-models pour consulter le catalogue complet. Passez ?supports_inference=true pour filtrer sur les modèles que vous pouvez appeler immédiatement, ou ?task_type=decoder pour n’afficher que les LLM.

curl https://api.pioneer.ai/base-models?supports_inference=true \
  -H "X-API-Key: $PIONEER_API_KEY"

import os
import requests

response = requests.get(
    "https://api.pioneer.ai/base-models",
    params={"supports_inference": "true"},
    headers={"X-API-Key": os.environ["PIONEER_API_KEY"]}
)
print(response.json())

const response = await fetch(
  "https://api.pioneer.ai/base-models?supports_inference=true",
  {
    headers: {
      "X-API-Key": process.env.PIONEER_API_KEY
    }
  }
);
const data = await response.json();
console.log(data);

La réponse liste les IDs de modèles que vous pouvez passer à /v1/chat/completions. Par exemple, fastino/gliner2-base-v1 est le modèle de base GLiNER pour les tâches de NER.

Exécutez votre premier appel d'inférence

Appelez POST /v1/chat/completions avec un modèle, un message et un schéma définissant ce que vous souhaitez extraire. L’exemple ci-dessous utilise le modèle de base GLiNER pour extraire des entités nommées à partir d’une phrase.

curl -X POST https://api.pioneer.ai/v1/chat/completions \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "messages": [
      {"role": "user", "content": "Apple announced the MacBook Pro at WWDC in Cupertino."}
    ],
    "schema": {
      "entities": ["organization", "product", "event", "location"]
    },
    "threshold": 0.5
  }'

import os
import requests

response = requests.post(
    "https://api.pioneer.ai/v1/chat/completions",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model": "fastino/gliner2-base-v1",
        "messages": [{
            "role": "user",
            "content": "Apple announced the MacBook Pro at WWDC in Cupertino."
        }],
        "schema": {
            "entities": ["organization", "product", "event", "location"]
        },
        "threshold": 0.5
    }
)
print(response.json())

const response = await fetch("https://api.pioneer.ai/v1/chat/completions", {
  method: "POST",
  headers: {
    "X-API-Key": process.env.PIONEER_API_KEY,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "fastino/gliner2-base-v1",
    messages: [{
      role: "user",
      content: "Apple announced the MacBook Pro at WWDC in Cupertino."
    }],
    schema: {
      entities: ["organization", "product", "event", "location"]
    },
    threshold: 0.5
  })
});
const data = await response.json();
console.log(data);

Le champ schema indique au modèle ce qu’il doit rechercher. Pour les modèles encodeurs (GLiNER), vous pouvez fournir :

entities — une liste de chaînes de types d’entités pour la NER
classifications — une liste d’objets {task, labels} pour la classification de texte
structures — un dictionnaire de définitions de structures pour l’extraction JSON
relations — une liste de définitions de relations

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

model peut être un ID de modèle de base comme fastino/gliner2-base-v1, ou l’ID d’une tâche d’entraînement terminée. Une fois un modèle affiné, remplacez l’ID du modèle de base par l’ID de votre tâche pour servir les prédictions depuis votre modèle personnalisé.

Utilisez l'endpoint compatible Anthropic (optionnel)

Si vous utilisez déjà le SDK Anthropic, pointez-le vers https://api.pioneer.ai et utilisez votre clé d’API Pioneer.

curl -X POST https://api.pioneer.ai/v1/messages \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fastino/gliner2-base-v1",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Extract entities from: Apple launched the iPhone in San Francisco."}
    ],
    "schema": {"entities": ["organization", "product", "location"]}
  }'

Passez les champs spécifiques à Pioneer comme schema via l’option extra-body du SDK.

Lancez une tâche d'entraînement (optionnel)

Lorsque vous êtes prêt à affiner sur vos propres données, lancez une tâche d’entraînement. Vous aurez besoin d’un jeu de données déjà téléversé ou créé — consultez Jeux de données pour savoir comment en créer un.

curl -X POST https://api.pioneer.ai/felix/training-jobs \
  -H "X-API-Key: $PIONEER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_name": "my-ner-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.pioneer.ai/felix/training-jobs",
    headers={
        "X-API-Key": os.environ["PIONEER_API_KEY"],
        "Content-Type": "application/json"
    },
    json={
        "model_name": "my-ner-model",
        "base_model": "fastino/gliner2-base-v1",
        "datasets": [{"name": "my-dataset"}],
        "training_type": "lora",
        "nr_epochs": 5,
        "learning_rate": 5e-5
    }
)
print(response.json())
# {"id": "uuid-of-training-job", "status": "requested"}

La réponse inclut un id de tâche. Interrogez GET /felix/training-jobs/{id} pour vérifier le statut. Une fois la tâche à complete, utilisez l’ID de la tâche comme model dans les appels à /v1/chat/completions.Valeurs de statut de tâche : requested → running → complete (ou failed / stopped).

Étapes suivantes

Affiner un modèle NER

Parcours de bout en bout : téléversement du jeu de données, entraînement, évaluation et inférence.

Affiner un LLM

Affinez Nemotron 3.5 Lightning sur vos données de domaine avec LoRA.

Données synthétiques

Générez des données d’entraînement labellisées sans annotation manuelle.

Référence de l'API

Référence complète pour chaque endpoint avec les schémas de requête et de réponse.

Démarrage

Concepts fondamentaux

Référence API

Journal des modifications

Démarrage rapide Pioneer : de l'inscription à l'inférence

Étapes suivantes

Affiner un modèle NER

Affiner un LLM

Données synthétiques

Référence de l'API

​Étapes suivantes

Affiner un modèle NER

Affiner un LLM

Données synthétiques

Référence de l'API

Étapes suivantes