> ## 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.

# Démarrage rapide de l'encodeur

> Lancez un job d'entraînement géré pour fine-tuner un encodeur GLiNER.

Utilisez l'entraînement géré pour fine-tuner un encodeur GLiNER pendant que
Fastino exécute la boucle.

Pour entraîner un LLM décodeur Nemotron ou Qwen lorsque votre application doit
contrôler l'échantillonnage, les récompenses et les mises à jour du modèle,
consultez le [démarrage rapide du décodeur](/fr/training/decoder-quickstart).

## 1. S'authentifier

1. Créez un [compte Fastino](https://agent.fastino.ai/).
2. Ouvrez la page des [clés API](https://agent.fastino.ai/api-keys).
3. Créez une clé et copiez-la lorsqu'elle s'affiche.

Enregistrez la clé dans une variable d'environnement :

<CodeGroup>
  ```bash macOS/Linux theme={null}
  export FASTINO_API_KEY="fast_sk_..."
  ```

  ```powershell Windows theme={null}
  $env:FASTINO_API_KEY = "fast_sk_..."
  ```
</CodeGroup>

Envoyez cette clé sous la forme `X-API-Key: $FASTINO_API_KEY`. Consultez
[Authentification](/fr/authentication) pour le contrat d'authentification
complet.

## 2. Préparer un dataset

[Importez et traitez un dataset d'entraînement](/fr/concepts/datasets), puis
attendez que sa version soit `ready`.

## 3. Choisir un modèle

L'entraînement géré prend en charge `fastino/gliner2-multi-v1` et
`fastino/GLiNER-2.5-Decide`. Interrogez le catalogue actif avant la soumission :

```bash theme={null}
curl "https://api.fastino.ai/v1/base-models?supports_training=true" \
  -H "X-API-Key: $FASTINO_API_KEY"
```

Conservez l'ID du modèle sélectionné.

## 4. Créer le job

```bash theme={null}
curl -X POST "https://api.fastino.ai/v1/training/jobs" \
  -H "X-API-Key: $FASTINO_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $(uuidgen)" \
  -d '{
    "model_name": "my-trained-model",
    "base_model": "MODEL_ID_FROM_CATALOG",
    "datasets": [
      {"name": "my-ready-dataset", "version": "VERSION_NUMBER"}
    ],
    "training_type": "lora"
  }'
```

Conservez l'`id` renvoyé. Il s'agit du `job_id` utilisé par chaque route propre
à un job. Réutilisez la même valeur `Idempotency-Key` uniquement lorsque vous
réessayez exactement cette requête de création.

## 5. Interroger le job

```bash theme={null}
curl "https://api.fastino.ai/v1/training/jobs/JOB_ID" \
  -H "X-API-Key: $FASTINO_API_KEY"
```

Pour les jobs de configuration :

* `status` est la valeur persistée du cycle de vie, telle que `errored`.
* `normalized_status` est la valeur stable d'interrogation, telle que `failed`.
* `is_terminal_status` indique à votre client quand arrêter les interrogations.
* `error_message` décrit un échec lorsque cette information est disponible.

Continuez jusqu'à ce que `is_terminal_status` soit `true`, puis examinez le
statut final, les checkpoints, les logs et l'admissibilité au déploiement.

## Continuer

<CardGroup cols={2}>
  <Card title="Jeux de données" icon="database" href="/fr/concepts/datasets">
    Préparez et validez des données d'entraînement GLiNER.
  </Card>

  <Card title="Démarrage rapide du décodeur" icon="code" href="/fr/training/decoder-quickstart">
    Entraînez un LLM décodeur Nemotron ou Qwen avec un job interactif.
  </Card>
</CardGroup>


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