Lakukan fine-tune dengan API atau CLI - Alibaba Cloud Model Studio

Prasyarat

Tinjau Pengantar fine-tuning model untuk memahami konsep, proses, dan persyaratan datanya.
Aktifkan layanan dan peroleh Kunci API. Dapatkan Kunci API.
Berikan Pengguna RAM RAM user (RAM user) izin permissions yang diperlukan untuk pemanggilan, pelatihan, dan penerapan.

API hanya mendukung penagihan berbasis token. Untuk menggunakan unit pelatihan model (prabayar atau pascabayar), buat pekerjaan di konsol.

Unggah file fine-tuning

Menyiapkan file fine-tuning

Set pelatihan SFT

Data pelatihan dalam format SFT ChatML (Chat Markup Language) mendukung percakapan multi-putaran dan berbagai pengaturan role.

Parameter OpenAI name dan weight tidak didukung. Semua output assistant akan dilatih.

# Satu baris data pelatihan (dalam format JSON) memiliki struktur khas berikut saat diekspansi:
{"messages": [
  {"role": "system", "content": "Input sistem 1"},
  {"role": "user", "content": "Input pengguna 1"},
  {"role": "assistant", "content": "Output model yang diharapkan 1"},
  {"role": "user", "content": "Input pengguna 2"},
  {"role": "assistant", "content": "Output model yang diharapkan 2"}
  ...
]}

Untuk informasi tentang perbedaan antara system, user, dan assistant, lihat Ikhtisar. Contoh set data pelatihan: SFT-ChatML_format_example.jsonl, SFT-ChatML_format_example.xlsx. Format XLS dan XLSX hanya mendukung percakapan satu putaran.Semua baris assistant dalam satu entri data pelatihan mendukung parameter "loss_weight", yang mengatur tingkat kepentingan relatif baris tersebut selama pelatihan. (Rentang: 0,0 hingga 1,0. Nilai yang lebih besar menunjukkan kepentingan yang lebih tinggi.)

Parameter ini tersedia untuk pratinjau undangan. Untuk menggunakannya, hubungi manajer akun Anda.

 {"role": "assistant", "content": "Output model yang diharapkan 1", "loss_weight": 1.0},
 {"role": "assistant", "content": "Output model yang diharapkan 2", "loss_weight": 0.5}

Anda juga dapat mengunduh templat data dari konsol Model Studio.

Di bawah area unggah file pada halaman Create Dataset, Anda dapat menemukan tautan unduh data template.

Unggah file fine-tuning ke Model Studio

API Files yang kompatibel dengan OpenAI

import os
from pathlib import Path
from openai import OpenAI

client = OpenAI(
    # Jika Anda belum mengonfigurasi variabel lingkungan, ganti baris berikut dengan api_key="sk-xxx" dan gunakan Kunci API Studio Model Anda.
    # Kunci API untuk wilayah Singapura dan China (Beijing) berbeda. Dapatkan Kunci API: https://www.alibabacloud.com/help/en/model-studio/get-api-key
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # Berikut adalah URL untuk wilayah Singapura. Jika Anda menggunakan layanan di wilayah China (Beijing), ganti URL dengan: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)

# test.jsonl adalah file contoh lokal.
file_object = client.files.create(file=Path("test.jsonl"), purpose="fine-tune")

print(file_object.model_dump_json())

Batasan:

Ukuran maksimum satu file adalah 300 MB.
Ukuran total semua file yang tidak dihapus dibatasi hingga 5 GB.
Anda dapat menyimpan maksimal 100 file yang tidak dihapus.
File disimpan tanpa batas waktu.

Model fine-tuning

Buat pekerjaan fine-tuning

HTTP

Untuk Windows CMD, ganti ${DASHSCOPE_API_KEY} dengan %DASHSCOPE_API_KEY%. Untuk PowerShell, gunakan $env:DASHSCOPE_API_KEY.

curl --location "https://dashscope.aliyuncs.com/api/v1/fine-tunes" \
--header "Authorization: Bearer ${DASHSCOPE_API_KEY}" \
--header 'Content-Type: application/json' \
--data '{
    "model":"qwen3-8b",
    "training_file_ids":[
        "<your_training_file_id_1>",
        "<your_training_file_id_2>"
    ],
    "hyper_parameters":
    {
        "n_epochs": 3,
        "batch_size": 16,
        "max_length": 8192,
        "learning_rate": "1.6e-5",
        "lr_scheduler_type": "linear",
        "split": 0.9,
        "warmup_ratio": 0.05,
        "eval_steps": 50,
        "data_augmentation": true,
        "augmentation_ratio": "0.1,0.05,0.15",
        "augmentation_types": "dialogue_CN,general_purpose_CN,NLP",
        "save_strategy": "epoch",
        "save_total_limit": 10
    },
    "training_type":"sft"
}'

Parameter

Parameter	Required	Type	Location	Description
training_file_ids	Yes	Array	Body	Daftar ID file untuk set pelatihan.
validation_file_ids	No	Array	Body	Daftar ID file untuk set validasi.
model	Yes	String	Body	ID model dasar, atau ID model yang sebelumnya telah difine-tune.
hyper_parameters	No	Map	Body	Hiperparameter untuk pekerjaan fine-tuning. Nilai default bervariasi tergantung model; periksa konsol untuk detail spesifik. Parameter berikut wajib karena memengaruhi biaya pelatihan: `n_epochs`, `batch_size`, dan `max_length`.
training_type	No	String	Body	Metode fine-tuning. Nilai yang valid: `cpt` `sft` `efficient_sft` `dpo_full` `dpo_lora`
job_name	No	String	Body	Nama pekerjaan fine-tuning.
model_name	No	String	Body	Nama model yang telah difine-tune (bukan ID model yang dihasilkan sistem).

Respons

{
    "request_id": "635f7047-003e-4be3-b1db-6f98e239f57b",
    "output":
    {
        "job_id": "ft-202511272033-8ae7",
        "job_name": "ft-202511272033-8ae7",
        "status": "PENDING",
        "finetuned_output": "qwen3-8b-ft-202511272033-8ae7",
        "model": "qwen3-8b",
        "base_model": "qwen3-8b",
        "training_file_ids":
        [
            "9e9ffdfa-c3bf-436e-9613-6f053c66aa6e"
        ],
        "validation_file_ids":
        [],
        "hyper_parameters":
        {
            "n_epochs": 3,
            "batch_size": 16,
            "max_length": 8192,
            "learning_rate": "1.6e-5",
            "lr_scheduler_type": "linear",
            "split": 0.9,
            "warmup_ratio": 0.05,
            "eval_steps": 50,
            "data_augmentation": true,
            "augmentation_ratio": "0.1,0.05,0.15",
            "augmentation_types": "dialogue_CN,general_purpose_CN,NLP",
            "save_strategy": "epoch",
            "save_total_limit": 10
        },
        "training_type": "sft",
        "create_time": "2025-11-27 20:33:15",
        "workspace_id": "llm-8v53etv3hwb8orx1",
        "user_identity": "1654290265984853",
        "modifier": "1654290265984853",
        "creator": "1654290265984853",
        "group": "llm",
        "max_output_cnt": 10
    }
}

Model dasar ( model ) dan jenis pelatihan ( training_type )

Model yang didukung

Singapura
China Utara 2 (Beijing)

Generasi teks
Pemahaman visual (Qwen-VL)

Nama model	Kode model	Pelatihan full-parameter SFT (sft)	Pelatihan efisien SFT (efficient_sft)
Qwen3-14B	qwen3-14b	×	Didukung

Nama model	Kode model	Pelatihan full-parameter SFT (sft)	Pelatihan efisien SFT (efficient_sft)
-	-	-	-

Generasi teks
Pemahaman visual (Qwen-VL)

Layanan model	Kode model	Pelatihan full-parameter CPT (cpt)	Pelatihan full-parameter SFT (sft)	Pelatihan efisien SFT (efficient_sft)	Pelatihan full-parameter DPO (dpo_full)	Pelatihan efisien DPO (dpo_lora)
Qwen3.6-Flash-2026-04-16	qwen3.6-flash-2026-04-16	×	Didukung	×	×	×

Qwen3.5-27B	qwen3.5-27b	×	Didukung	Didukung	×	×
Qwen3.5-9B	qwen3.5-9b	×	Didukung	Didukung	×	×
Qwen3.5-Flash-2026-02-23	qwen3.5-flash-2026-02-23	×	Didukung	×	×	×

Qwen3-32B	qwen3-32b	Didukung	Didukung	Didukung	Didukung	Didukung
Qwen3-30B-A3B-Instruct-2507	qwen3-30b-a3b-instruct-2507	Didukung	Didukung	Didukung	×	×
Qwen3-14B	qwen3-14b	×	Didukung	Didukung	Didukung	Didukung
Qwen3-8B	qwen3-8b	×	Didukung	Didukung	Didukung	Didukung
Qwen3-4B-Instruct-2507	qwen3-4b-instruct-2507	Didukung	Didukung	Didukung	Didukung	Didukung
Qwen3-1.7B	qwen3-1.7b	Didukung	Didukung	Didukung	Didukung	Didukung
Qwen3-0.6B	qwen3-0.6b	Didukung	Didukung	Didukung	Didukung	Didukung

Qwen2.5-72B-Instruct	qwen2.5-72b-instruct	Didukung	Didukung	Didukung	Didukung	Didukung
Qwen2.5-32B-Instruct	qwen2.5-32b-instruct	Didukung	Didukung	Didukung	Didukung	Didukung
Qwen2.5-14B-Instruct	qwen2.5-14b-instruct	Didukung	Didukung	Didukung	Didukung	Didukung
Qwen2.5-7B-Instruct	qwen2.5-7b-instruct	Didukung	Didukung	Didukung	Didukung	Didukung

Qwen-Plus-Character-2025-11-06	qwen-plus-character-2025-11-06	×	Didukung	Didukung	Didukung	Didukung

Layanan model	Kode model	Pelatihan full-parameter CPT (cpt)	Pelatihan full-parameter SFT (sft)	Pelatihan efisien SFT (efficient_sft)	Pelatihan full-parameter DPO (dpo_full)	Pelatihan efisien DPO (dpo_lora)
Qwen3-VL-8B-Instruct	qwen3-vl-8b-instruct	×	Didukung	Didukung	×	×
Qwen3-VL-8B-Thinking	qwen3-vl-8b-thinking	×	Didukung	Didukung	×	×
Qwen3-VL-4B-Instruct	qwen3-vl-4b-instruct	×	Didukung	Didukung	×	×

Qwen2.5-VL-72B-Instruct	qwen2.5-vl-72b-instruct	×	Didukung	Didukung	×	×
Qwen2.5-VL-32B-Instruct	qwen2.5-vl-32b-instruct	×	Didukung	Didukung	×	×
Qwen2.5-VL-7B-Instruct	qwen2.5-vl-7b-instruct	×	Didukung	Didukung	×	×

Perbandingan metode fine-tuning

Fitur	CPT (Continual Pre-training)	SFT (Supervised Fine-tuning)	DPO (Direct Preference Optimization)
Rangkuman	Melengkapi pengetahuan (Menyuntikkan pengetahuan domain)	Belajar melakukan tugas (Mengikuti instruksi)	Menjalankan tugas lebih baik (Menyelaraskan dengan preferensi manusia)
Data input	Lebih dari 10 juta token Teks domain tanpa label	Lebih dari 1.000 entri Pasangan "pertanyaan-jawaban" berkualitas tinggi	Lebih dari 100 set Pasangan respons "lebih baik-lebih buruk" untuk instruksi yang sama
Tujuan inti	Adaptasi domain. Mempelajari kosakata dan fakta khusus.	Mengajarkan model format percakapan dan kemampuan eksekusi tugas.	Menyelaraskan output model lebih baik dengan nilai dan preferensi manusia.
Metode pembelajaran	Pembelajaran self-supervised (Memprediksi kata berikutnya)	Supervised learning (Meniru ground truth)	Pembelajaran preferensi langsung (Meningkatkan probabilitas respons baik dan mengurangi probabilitas respons buruk)
Tahap model	Umumnya sebelum SFT	Setelah CPT dan sebelum DPO	Umumnya setelah SFT, sebagai langkah terakhir untuk penyelarasan.

Perbandingan pola pelatihan

	Pelatihan full-parameter	Pelatihan efisien (LoRA, direkomendasikan)
Skenario	• Model perlu memperoleh kemampuan baru • Mencapai kinerja global optimal.	• Mengoptimalkan kinerja model untuk skenario tertentu. • Untuk skenario yang sensitif terhadap biaya dan waktu.
Waktu pelatihan	Lebih lama, dengan konvergensi lebih lambat.	Lebih singkat, dengan konvergensi lebih cepat.

Pelatihan full-parameter

Pelatihan efisien (LoRA, direkomendasikan)

Skenario

• Model perlu memperoleh kemampuan baru

• Mencapai kinerja global optimal.

• Mengoptimalkan kinerja model untuk skenario tertentu.

• Untuk skenario yang sensitif terhadap biaya dan waktu.

Waktu pelatihan

Lebih lama, dengan konvergensi lebih lambat.

Lebih singkat, dengan konvergensi lebih cepat.

hyper_parameters : Pengaturan yang didukung

Parameter yang didukung dan nilai default-nya bervariasi tergantung model. Untuk melihat nilai default spesifik, buka konsoldan pilih model serta metode pelatihan

Parameter	Pengaturan yang direkomendasikan	Type	Description
`n_epochs`(Jumlah epoch) [Wajib]	Ukuran data < 10.000: 3–5Ukuran data > 10.000: 1–2	Integer	Berapa kali model melakukan iterasi penuh terhadap set pelatihan.Epoch lebih banyak meningkatkan waktu dan biaya pelatihan.
`learning_rate`(Tingkat pembelajaran)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Float	Mengontrol ukuran langkah untuk pembaruan bobot selama pelatihan. Terlalu tinggi: pelatihan mungkin divergen. Terlalu rendah: konvergensi lambat dengan peningkatan minimal.
`freeze_vit`(Membekukan jaringan tulang punggung visual)	Atur sesuai kebutuhan	Boolean	Membekukan jaringan tulang punggung visual sehingga bobotnya tidak diperbarui selama pelatihan. Hanya berlaku untuk model Qwen-VL. Penagihan berbasis token hanya tersedia ketika freeze_vit diatur ke “true”.
`batch_size`(Ukuran batch) [Wajib]	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Integer	Jumlah contoh pelatihan per iterasi. Nilai kecil secara signifikan meningkatkan waktu pelatihan. Nilai default bervariasi tergantung model.
`eval_steps`(Langkah evaluasi)	Atur sesuai kebutuhan	Integer	Interval langkah untuk mengevaluasi akurasi dan loss pelatihan.Mengontrol seberapa sering `Validation Loss` dan `Validation Token Accuracy` dilaporkan.
`logging_steps`(Langkah pencatatan log)	Atur sesuai kebutuhan	Integer	Interval langkah untuk mencatat perkembangan pelatihan.
`lr_scheduler_type`(Penjadwal tingkat pembelajaran)	Direkomendasikan `linear`/`Inverse_sqrt`	String	Strategi untuk menyesuaikan tingkat pembelajaran selama pelatihan.Setiap strategi dijelaskan dalam Fine-tune model di konsol.
`max_length`(Panjang urutan) [Wajib]	8192	Integer	Panjang urutan maksimum (dalam token) per contoh pelatihan. Contoh yang lebih panjang akan dibuang.Cara mengonversi antara token dan karakter.
`max_split_val_dataset_sample`(Jumlah sampel set validasi maksimum)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Integer	Ketika `"validation_file_ids"` tidak diatur, set validasi yang secara otomatis dipisahkan oleh Model Studio berisi maksimal 1.000 entri.Parameter ini tidak berpengaruh ketika `"validation_file_ids"` diatur.
`split`(Rasio set pelatihan)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Float	Jika `"validation_file_ids"` tidak diatur, Model Studio membagi file pelatihan: 80% untuk pelatihan, 20% untuk validasi.Ketika `"validation_file_ids"` diatur, parameter ini tidak berpengaruh.
`warmup_ratio`(Rasio pemanasan)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Float	Persentase langkah pelatihan yang digunakan untuk pemanasan tingkat pembelajaran (kenaikan linear dari hampir nol ke tingkat target).Menstabilkan pelatihan awal dengan membatasi pembaruan bobot besar.Terlalu tinggi: menyerupai tingkat pembelajaran rendah dengan perubahan kinerja minimal.Terlalu rendah: menyerupai tingkat pembelajaran tinggi dan dapat menurunkan kinerja. Parameter ini tidak berpengaruh jika penjadwal tingkat pembelajaran diatur ke `constant`.
`weight_decay`(Peluruhan bobot)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Float	Kekuatan regularisasi L2. Membantu mempertahankan generalisasi, tetapi nilai yang terlalu tinggi mengurangi efektivitas fine-tuning.
Parameter untuk fine-tuning efisien (mendukung`efficient_sft` dan `dpo_lora`) Ketika Anda melakukan fine-tuning efisien putaran kedua pada model yang sudah difine-tune secara efisien, parameter `lora_rank`, `lora_alpha`, dan `lora_dropout` harus tetap konsisten.
`lora_rank`(Rank LoRA)	64	Integer	Rank matriks low-rank LoRA. Rank yang lebih tinggi dapat meningkatkan hasil tetapi sedikit meningkatkan waktu pelatihan.
`lora_alpha`(Alpha LoRA)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Integer	Faktor penskalaan untuk menggabungkan bobot model dasar dengan koreksi LoRA.Alpha lebih besar: lebih banyak bobot pada pembaruan LoRA spesifik tugas.Alpha lebih kecil: lebih banyak mempertahankan pengetahuan model dasar.
`lora_dropout`(Dropout LoRA)	Gunakan nilai default yang direkomendasikan oleh Model Studio.	Float	Tingkat dropout untuk matriks low-rank LoRA. Nilai default menyeimbangkan generalisasi; nilai yang terlalu besar mengurangi efektivitas fine-tuning.
Parameter untuk menerbitkan snapshot parameter model (hanya untuk`efficient_sft` dan `sft`)
`save_strategy`(Strategi penyimpanan snapshot)	Dapat diatur ke `epoch` atau `steps`. Ketika diatur ke `steps`, Anda dapat menyesuaikan interval penyimpanan dengan mengatur parameter `save_steps`.	String	Strategi untuk menyimpan snapshot parameter model (checkpoint): `epoch` (setelah setiap epoch) atau `steps` (pada interval langkah tertentu).
`save_steps`(Simpan langkah-langkah)	Jika Anda perlu mengubahnya secara manual, atur ke kelipatan bilangan bulat dari parameter `eval_steps`.	Integer	Interval, dalam langkah pelatihan, antara penyimpanan snapshot.
`save_total_limit`(Batas penyimpanan snapshot)	10	Integer	Jumlah maksimum snapshot yang disimpan. Snapshot lama akan dihapus otomatis ketika batas tercapai.

Ambil pekerjaan fine-tuning

Gunakan job_id dari respons pembuatan untuk mengambil detail pekerjaan.

HTTP

curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Parameter permintaan

Parameter	Type	Location	Required	Description
job_id	String	Path	Yes	ID job fine-tuning.

Respons sukses

{
    "request_id": "d100cddb-ac85-4c82-bd5c-9b5421c5e94d",
    "output":
    {
        "job_id": "ft-202511272033-8ae7",
        "job_name": "ft-202511272033-8ae7",
        "status": "RUNNING",
        "finetuned_output": "qwen3-8b-ft-202511272033-8ae7",
        "model": "qwen3-8b",
        "base_model": "qwen3-8b",
        "training_file_ids":
        [
            "9e9ffdfa-c3bf-436e-9613-6f053c66aa6e"
        ],
        "validation_file_ids":
        [],
        "hyper_parameters":
        {
            "n_epochs": 3,
            "batch_size": 16,
            "max_length": 8192,
            "learning_rate": "1.6e-5",
            "lr_scheduler_type": "linear",
            "split": 0.9,
            "warmup_ratio": 0.05,
            "eval_steps": 50,
            "data_augmentation": true,
            "augmentation_ratio": "0.1,0.05,0.15",
            "augmentation_types": "dialogue_CN,general_purpose_CN,NLP",
            "save_strategy": "epoch",
            "save_total_limit": 10
        },
        "training_type": "sft",
        "create_time": "2025-11-27 20:33:15",
        "workspace_id": "llm-8v53etv3hwb8orx1",
        "user_identity": "1654290265984853",
        "modifier": "1654290265984853",
        "creator": "1654290265984853",
        "group": "llm",
        "max_output_cnt": 10
    }
}

Status pekerjaan	Description
PENDING	Pekerjaan sedang menunggu untuk dimulai.
QUEUING	Pekerjaan sedang dalam antrian. Hanya satu pekerjaan fine-tuning yang dapat berjalan pada satu waktu.
RUNNING	Pekerjaan sedang berjalan.
CANCELING	Pekerjaan sedang dibatalkan.
SUCCEEDED	Pekerjaan berhasil.
FAILED	Pekerjaan gagal.
CANCELED	Pekerjaan dibatalkan.

Setelah pekerjaan berhasil, field finetuned_output berisi ID model untuk penerapan.

Dapatkan log pekerjaan fine-tuning

HTTP

curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/logs?offset=0&line=1000' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Gunakan offset (baris awal) dan line (jumlah maksimum baris yang dikembalikan) untuk membagi output log menjadi halaman.

Contoh respons:

{
    "request_id":"1100d073-4673-47df-aed8-c35b3108e968",
    "output":{
        "total":57,
        "logs":[
            "{Log fine-tuning 1}",
            "{Log fine-tuning 2}",
            ...
            ...
            ...
        ]
    }
}

Kueri dan publikasikan checkpoint model

Hanya fine-tuning SFT (efficient_sft dan sft) yang mendukung penyimpanan dan penerbitan checkpoint dari status pelatihan antara.

Daftar checkpoint untuk pekerjaan fine-tuning

curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/checkpoints' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Parameter permintaan

Parameter	Type	Lokasi parameter	Required	Description
job_id	String	Path Parameter	Yes	ID pekerjaan fine-tuning.

Contoh respons

Field checkpoint berisi ID checkpoint yang menentukan checkpoint yang akan diterbitkan dalam API Penerbitan model (opsional). Field model_name berisi ID model yang digunakan untuk penerapan model. Nilai field finetuned_output dalam respons pekerjaan fine-tuning asli merupakan model_name dari checkpoint terakhir.

{
    "request_id": "c11939b5-efa6-4639-97ae-ed4597984647",
    "output":
    [
        {
            "create_time": "2025-11-11T16:25:42",
            "full_name": "ft-202511272033-8ae7-checkpoint-20",
            "job_id": "ft-202511272033-8ae7",
            "checkpoint": "checkpoint-20",
            "model_name": "qwen3-8b-instruct-ft-202511272033-8ae7",
            "status": "SUCCEEDED"
        }
    ]
}

Status	Description
PENDING	Checkpoint sedang menunggu penerbitan. Anda harus menerbitkannya menggunakan API Penerbitan model sebelum dapat menggunakannya untuk penerapan dan pemanggilan model.
PROCESSING	Checkpoint sedang dalam proses penerbitan.
SUCCEEDED	Checkpoint berhasil diterbitkan. Anda kini dapat menggunakannya untuk penerapan dan pemanggilan model.
FAILED	Checkpoint gagal diterbitkan.

Penerbitan model (opsional)

Setelah pekerjaan fine-tuning selesai, ekspor checkpoint sebelum menerapkan model.Checkpoint yang diekspor disimpan di penyimpanan cloud dan tidak dapat diunduh.

curl --request GET 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/export/<checkpoint_id>?model_name=<model_name>' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Parameter permintaan

Parameter	Type	Lokasi Parameter	Required	Description
job_id	String	Path Parameter	Yes	ID pekerjaan fine-tuning.
checkpoint_id	String	Path Parameter	Yes	ID checkpoint yang akan diterbitkan.
model_name	String	Path Parameter	Yes	Nama model kustom yang akan diberikan kepada model yang diterbitkan.

Contoh respons

{
    "request_id": "ed3faa41-6be3-4271-9b83-941b23680537",
    "output": true
}

Penerbitan bersifat asinkron. Gunakan API Daftar checkpoint untuk pekerjaan fine-tuning untuk memantau status.

Operasi fine-tuning lainnya

Daftar pekerjaan fine-tuning

curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Batalkan pekerjaan fine-tuning

Membatalkan pekerjaan fine-tuning yang sedang berjalan.

curl --request POST 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/cancel' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Hapus pekerjaan fine-tuning

Anda tidak dapat menghapus pekerjaan fine-tuning yang sedang berjalan.

curl --request DELETE 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'

Penerapan dan pemanggilan model

Penerapan model

Untuk menerapkan model, buka konsol penerapan model.

Pemanggilan model

Setelah status penerapan menjadi RUNNING, panggil model yang telah difine-tune seperti model lainnya. Anda juga dapat memperoleh Model Code dari konsol penerapan model. Penggunaan dan parameter: Referensi API DashScope.

curl 'https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY}  \
--header 'Content-Type: application/json' \
--data '{
    "model": "<your_model_instance_id>",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": "Siapa kamu?"
            }
        ]
    },
    "parameters": {
        "result_format": "message"
    }
}'

​Prasyarat

​Unggah file fine-tuning

​Menyiapkan file fine-tuning

​Unggah file fine-tuning ke Model Studio

​Model fine-tuning

​Buat pekerjaan fine-tuning

Parameter

Respons

Model yang didukung

Perbandingan metode fine-tuning

Perbandingan pola pelatihan

​Ambil pekerjaan fine-tuning

Parameter permintaan

Respons sukses

​Dapatkan log pekerjaan fine-tuning

​Kueri dan publikasikan checkpoint model

​Daftar checkpoint untuk pekerjaan fine-tuning

​Penerbitan model (opsional)

​Operasi fine-tuning lainnya

​Daftar pekerjaan fine-tuning

​Batalkan pekerjaan fine-tuning

​Hapus pekerjaan fine-tuning

​Penerapan dan pemanggilan model

​Penerapan model

​Pemanggilan model

Prasyarat

Unggah file fine-tuning

Menyiapkan file fine-tuning

Unggah file fine-tuning ke Model Studio

Model fine-tuning

Buat pekerjaan fine-tuning

Ambil pekerjaan fine-tuning

Dapatkan log pekerjaan fine-tuning

Kueri dan publikasikan checkpoint model

Daftar checkpoint untuk pekerjaan fine-tuning

Penerbitan model (opsional)

Operasi fine-tuning lainnya

Daftar pekerjaan fine-tuning

Batalkan pekerjaan fine-tuning

Hapus pekerjaan fine-tuning

Penerapan dan pemanggilan model

Penerapan model

Pemanggilan model