Skip to main content

Video Generation - Create a Tuning Job

Créez un job d’entraînement pour l’ajustement de modèle destiné à la génération vidéo. Les jeux de données peuvent être téléchargés via l’API ou montés depuis OSS.

Prérequis

  • Régions prises en charge : Les fonctionnalités décrites dans cette rubrique sont uniquement disponibles dans la région Singapour et vous devez utiliser une clé API de cette région.
  • Autorisations du compte : Si vous utilisez un sous-compte Alibaba Cloud (utilisateur RAM), accordez-lui les autorisations nécessaires pour l’appel, l’entraînement et le déploiement des modèles.
  • Configurer les variables d’environnement : Vous avez obtenu une clé API et l’avez configurée comme variable d’environnement.
  • Préparation : Consultez la rubrique Ajustement des modèles de génération vidéo pour comprendre les modèles pris en charge, les étapes d’ajustement, les formats de données et la facturation.

Créer un job d’ajustement

Chine (Pékin)

POST https://dashscope.aliyuncs.com/api/v1/fine-tunes
  • Singapour
POST https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes
Pour Windows CMD, remplacez $DASHSCOPE_API_KEY par %DASHSCOPE_API_KEY% . Pour PowerShell, remplacez par $env:DASHSCOPE_API_KEY

Paramètres de requête

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
    --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
    --header 'Content-Type: application/json' \
    --data '{
        "model": "wan2.7-i2v",
        "training_file_ids": [
            "<Replace with training dataset file ID>"
        ],
        "training_type": "efficient_sft",
        "hyper_parameters": {
            "n_epochs": 50,
            "batch_size": 1,
            "learning_rate": 2e-5,
            "split": 0,9,
            "max_split_val_dataset_sample": 5,
            "eval_epochs": 20,
            "max_pixels": 102400,
            "save_total_limit": 10,
            "lora_rank": 32,
            "lora_alpha": 32
        }
    }'
En-têtes
Content-Type string (Obligatoire)Valeur fixe : application/json
Authorization string (Obligatoire)Authentification par clé API, format : Bearer sk-xxxx.
Corps de la requête
model string (Obligatoire)Spécifie le modèle de base pour l’ajustement.Génération vidéo à partir de la première image :
  • wan2.7-i2v : Recommandé pour l’ajustement de la première image vers la vidéo ; non recommandé pour les scénarios de première et dernière image vers vidéo ou de poursuite vidéo.
  • wan2.6-i2v
  • wan2.5-i2v-preview
  • wan2.2-i2v-flash
Génération vidéo à partir des première et dernière images :
  • wan2.2-kf2v-flash
training_file_ids array[string] (Conditionnellement obligatoire)Tableau d’ID de fichiers de jeu de données d’entraînement, prend en charge plusieurs ID. Utilisez ce paramètre ou training_datasets . Si vous utilisez training_datasets, ce paramètre n’est pas nécessaire. Les ID de fichier sont obtenus via l’API Upload File.
validation_file_ids array[string] (Facultatif)Tableau d’ID de fichiers de jeu de données de validation, prend en charge plusieurs ID. Utilisez ce paramètre ou validation_datasets . Si vous utilisez validation_datasets, ce paramètre n’est pas nécessaire. Si aucun des deux n’est fourni, le système divisera automatiquement l’ensemble d’entraînement. Les ID de fichier sont obtenus via l’API Upload File.
training_type string (Obligatoire)Type d’ajustement. Actuellement, seul efficient_sft (ajustement efficace LoRA) est pris en charge.
hyper_parameters object (Facultatif)Configuration des hyperparamètres. Pour un entraînement initial, il est recommandé d’utiliser les hyperparamètres par défaut. Si les performances du modèle sont médiocres ou si l’entraînement ne converge pas, essayez d’ajuster des paramètres tels que n_epochs ou learning_rate.

Propriétés des hyperparamètres

batch_size int (Obligatoire)Taille du lot. Nombre d’échantillons de données envoyés au modèle pour l’entraînement en une seule fois.Ce paramètre est une configuration par instance. Nous recommandons d’utiliser la valeur par défaut pour chaque modèle. Ne l’ajustez pas sauf si nécessaire.
  • wan2,7-i2v : Valeur recommandée : 1.
  • wan2,6-i2v : Valeur recommandée : 1.
  • wan2,5-i2v-preview : Valeur recommandée : 4.
  • wan2,2-i2v-flash : Valeur recommandée : 4.
  • wan2,2-kf2v-flash : Valeur recommandée : 4.
Le nombre réel d’instances exécutées pour un job d’entraînement est déterminé par la planification de la plateforme. Le Global Step affiché dans les journaux d’entraînement peut différer des résultats estimés, mais cela ne modifie pas la quantité totale de données d’entraînement ni n’affecte les performances finales du modèle.
n_epochs int (Obligatoire)Nombre d’époques d’entraînement. Valeur recommandée : 50.steps = n_epochs × ⌈dataset_size / batch_size⌉. Il est recommandé que le nombre total d’étapes soit >= 800.Exemple : Avec 5 échantillons de données et batch_size=4, steps par époque = ceil(5/4) = 2, n_epochs minimum = 800/2 = 400.
  • Le nombre recommandé d’époques d’entraînement s’ajuste automatiquement en fonction du volume de données. Moins de données nécessitent plus d’époques pour un apprentissage suffisant ; plus de données signifient que chaque époque contient plus d’échantillons, donc moins d’époques sont nécessaires.
  • 50 époques conviennent principalement aux petits jeux de données contenant environ 2 échantillons ; lorsque le volume de données atteint 50 à 60 vidéos, il est généralement recommandé d’entraîner pendant environ 3000 à 5000 étapes.
Ce paramètre affecte la facturation de l’entraînement. Veuillez le définir de manière appropriée.
learning_rate float (Obligatoire)Taux d’apprentissage. Valeur recommandée : 2e-5. Contrôle l’ampleur des mises à jour des poids du modèle. Un taux trop élevé peut dégrader le modèle, tandis qu’un taux trop faible peut entraîner des changements minimes.eval_epochs int (Obligatoire)Intervalle de validation. Valeur recommandée : 20. Doit être >= n_epochs/10. Spécifie le nombre d’époques entre chaque évaluation de validation pendant l’entraînement.max_pixels int (Obligatoire)Résolution maximale pour les vidéos d’entraînement. Définit la limite du nombre total de pixels (largeur x hauteur) pour la résolution des vidéos d’entraînement. Le système ne met à l’échelle que les vidéos dépassant cette valeur.
  • wan2,7-i2v : Recommandé : 102400. Plage de valeurs : 36864 (192x192) à 123904 (352x352).
  • wan2,6-i2v : Recommandé : 36864. Plage de valeurs : 16384 (128x128) à 36864 (192x192).
  • wan2,5-i2v-preview : Recommandé : 36864. Plage de valeurs : 16384 (128x128) à 36864 (192x192).
  • wan2,2-i2v-flash : Recommandé : 262144. Plage de valeurs : 65536 (256x256) à 262144 (512x512).
  • wan2,2-kf2v-flash : Recommandé : 262144. Plage de valeurs : 65536 (256x256) à 262144 (512x512).
split float (Facultatif)Ratio de division de l’ensemble d’entraînement. Valeur recommandée : 0,9. Plage de valeurs : (0, 1).Effectif uniquement lorsque validation_file_ids n’est pas spécifié. Ce paramètre divise automatiquement un ensemble de validation à partir de l’ensemble d’entraînement proportionnellement. Par exemple, 0,9 signifie 90 % d’ensemble d’entraînement et 10 % d’ensemble de validation.max_split_val_dataset_sample int (Facultatif)Nombre maximal d’échantillons à diviser automatiquement à partir de l’ensemble d’entraînement comme ensemble de validation. Valeur recommandée : 5. Doit être >= 1.Effectif uniquement lorsque validation_file_ids n’est pas spécifié. Ce paramètre définit une limite supérieure pour la taille de l’ensemble de validation : validation_count = min(total_dataset × (1 - split), max_split_val_dataset_sample)save_total_limit int (Facultatif)Limite de sauvegarde des checkpoints. Valeur recommandée : 10. Limite le nombre maximal de modèles sauvegardés ; le système ne conservera que les N derniers checkpoints.lora_rank int (Facultatif)Dimension de la matrice de bas rang LoRA. Valeur recommandée : 32. Cette valeur détermine la taille des paramètres d’ajustement ; des valeurs plus grandes offrent une capacité d’ajustement plus forte mais une vitesse d’entraînement plus lente. Doit être une puissance de 2n (par exemple, 16, 32, 64).lora_alpha int (Facultatif)Facteur de mise à l’échelle des poids LoRA. Valeur recommandée : 32. Utilisé pour ajuster l’influence des paramètres d’ajustement sur les poids du modèle d’origine. Doit être une puissance de 2n (par exemple, 16, 32, 64).
training_datasets Array of Dataset (Conditionnellement obligatoire)Liste des fichiers de jeu de données d’entraînement. Utilisez ce paramètre ou training_file_ids. Si vous utilisez training_file_ids, ce paramètre n’est pas nécessaire.

Structure du jeu de données

data_source_type string (Obligatoire)Type de source de données. Valeurs disponibles :
  • oss_mount (Monter un fichier OSS)
  • file_id (Fichier téléchargé via l’API File Management)
mount_storage object (Conditionnellement obligatoire)Requis lorsque le type de source de données est oss_mount. Informations de montage OSS.

Propriétés

region string (Obligatoire)La région du Bucket OSS à monter. Prend en charge Pékin (cn-beijing) et Singapour (ap-southeast-1).bucket string (Obligatoire)Le nom du Bucket OSS à monter.file_path string (Obligatoire)Le chemin du fichier OSS (clé d’objet) à monter. Pour les jeux de données contenant plusieurs fichiers, utilisez le chemin vers data.jsonl. Contrairement à la méthode file_id, vous devez télécharger le dossier de jeu de données non compressé vers OSS. Les fichiers Zip ne sont pas pris en charge.
file_id string (Conditionnellement obligatoire)Requis lorsque le type de source de données est file_id. ID de fichier, généré par l’API Upload File.
validation_datasets Array of Dataset (Facultatif)Liste des fichiers de jeu de données de validation. Même structure que training_datasets.Utilisez ce paramètre ou validation_file_ids. Si aucun des deux n’est fourni, le système divisera automatiquement l’ensemble d’entraînement.
job_name string (Facultatif)Nom du job d’ajustement.
model_name string (Facultatif)Nom du modèle après la fin de l’ajustement.

Paramètres de réponse

  • Exemple de réponse réussie
  • Exemple de réponse d’erreur
Champs clés : output.job_id (ID du job), output.finetuned_output (Nouveau nom de modèle produit après l’ajustement).
{
        "request_id": "0eb05b0c-02ba-414a-9d0c-xxxxxxxxx",
        "output": {
            "job_id": "ft-202511111122-xxxx",
            "job_name": "ft-202511111122-xxxx",
            "status": "PENDING",
            "finetuned_output": "wan2.5-i2v-preview-ft-202511111122-xxxx",
            "model": "wan2.5-i2v-preview",
            "base_model": "wan2.5-i2v-preview",
            "training_file_ids": [],
            "training_datasets": [
                {
                    "data_source_type": "file_id",
                    "file_id": "xxxxxxxxxxxx"
                }
            ],
            "validation_file_ids": [],
            "validation_datasets": [],
            "hyper_parameters": {
                "n_epochs": 50,
                "batch_size": 2,
                "learning_rate": 2,0E-5,
                "split": 0,9,
                "eval_epochs": 20
            },
            "training_type": "efficient_sft",
            "create_time": "2025-11-11 11:22:22"
        }
    }
request_id stringIdentifiant unique de la requête.
output objectDétails du job.

Propriétés

job_id stringIdentifiant unique du job d’ajustement, utilisé pour interroger les détails du job, les journaux, annuler ou supprimer le job. Règle de génération : ft-{yyyyMMddHHmm}-{4 char uuid}.job_name stringNom du job d’ajustement.status stringStatut du job d’ajustement :
  • PENDING : Entraînement en attente.
  • QUEUING : L’entraînement est en file d’attente (un seul job d’ajustement peut s’exécuter à la fois).
  • RUNNING : Entraînement en cours.
  • SUCCEEDED : Entraînement réussi.
  • FAILED : Échec de l’entraînement.
  • CANCELED : Entraînement annulé.
  • CANCELING : Annulation de l’entraînement en cours.
finetuned_output stringL’ID du nouveau modèle produit après l’ajustement, nécessaire pour le déploiement et l’appel. Renvoyé lorsque le statut du job est SUCCEEDED.model stringLe modèle de base utilisé.base_model stringLe modèle de base utilisé.training_file_ids arrayChamp hérité pour la rétrocompatibilité, renvoie toujours un tableau vide pour les nouveaux jobs. Veuillez utiliser training_datasets.training_datasets Array of DatasetListe des jeux de données d’entraînement.validation_file_ids arrayChamp hérité pour la rétrocompatibilité, renvoie toujours un tableau vide pour les nouveaux jobs. Veuillez utiliser validation_datasets.validation_datasets Array of DatasetListe des jeux de données de validation. Tableau vide si aucun ensemble de validation n’est spécifié.hyper_parameters objectHyperparamètres réellement utilisés.training_type stringLa méthode d’entraînement pour l’ajustement du modèle.create_time stringHeure de création du job.end_time stringHeure de fin du job. Renvoyé lorsque le statut du job est SUCCEEDED, FAILED ou CANCELED.usage integerConsommation de tokens du job d’ajustement. Renvoyé lorsque le statut du job est SUCCEEDED ou CANCELED.workspace_id stringL’ID de l’espace de travail associé à la clé API Alibaba Cloud Model Studio. Voir Obtenir l’ID de l’espace de travail.user_identity stringIdentité de l’utilisateur, ID du compte Alibaba Cloud.creator stringID du compte Alibaba Cloud du créateur.modifier stringID du compte Alibaba Cloud du modificateur.group stringGroupe du job d’ajustement.max_output_cnt integerNombre maximal de checkpoints sauvegardés pendant l’entraînement. Équivalent à la valeur de l’hyperparamètre save_total_limit.
code stringCode d’erreur. Renvoyé en cas d’échec de l’appel. Reportez-vous au tableau des codes d’erreur ci-dessous.
message stringDescription détaillée de l’erreur. Renvoyée en cas d’échec de l’appel.

Codes d’erreur

Si l’appel échoue et renvoie un message d’erreur, reportez-vous au tableau ci-dessous pour le dépannage.

Code d’état HTTP

Codes d’erreur

Solution

400

InvalidParameter

Erreur de paramètre : paramètres manquants ou problèmes de format de paramètre. Corrigez vos paramètres en fonction du message d’erreur.

400

UnsupportedOperation

La ressource ne peut pas être opérée lorsqu’elle se trouve dans un état spécifique. Attendez que la ressource atteigne un état opérationnel avant d’effectuer l’opération.

404

NotFound

La ressource à interroger/opérer n’existe pas. Vérifiez si l’ID de la ressource est incorrect.

409

Conflict

Une instance de déploiement portant le même nom existe déjà. Spécifiez un suffixe pour différencier.

429

Throttling

La création de ressources a déclenché les limites de la plateforme. Supprimez les modèles qui ne sont plus utilisés.

500

InternalError

Erreur interne. Enregistrez le request_id et contactez les ingénieurs Alibaba Cloud via un ticket pour le dépannage.

Étape suivante

L’ajustement est une opération asynchrone. Après avoir appelé cette API, utilisez l’API Interroger et gérer les jobs d’ajustement pour vérifier le statut du job d’ajustement.