Copy

Prasyarat

Wilayah yang didukung: API penerapan model saat ini hanya tersedia di wilayah Singapura. Jika Anda menggunakan wilayah lain, terapkan model melalui Konsol Model Studio di wilayah tersebut.
Izin akun: Jika Anda menggunakan sub-akun Alibaba Cloud (Pengguna RAM), Anda perlu memberikan izin kepada sub-akun tersebut untuk pemanggilan model, pelatihan, dan penerapan izin.
Konfigurasi variabel lingkungan: Anda telah berhasil memperoleh API Key dan mengonfigurasikannya sebagai variabel lingkungan.
Prasyarat: Pelatihan fine-tuning model telah selesai. Panggil terlebih dahulu API Query Fine-tuning Job untuk memastikan bahwa status pekerjaan status bernilai SUCCEEDED sebelum melanjutkan penerapan.

Penerapan Model

Singapura

POST https://dashscope-intl.aliyuncs.com/api/v1/deployments

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

Parameter Permintaan

Header

Content-Type string (Wajib)Nilai tetap: application/jsonAuthorization string (Wajib)Otentikasi API Key, dalam format Bearer sk-xxxx.

Body Permintaan

model_name string (Wajib)ID model yang akan diterapkan (bukan nama model dasar, melainkan pengenal model yang dihasilkan setelah fine-tuning atau ekspor). Cara memperolehnya:

Model fine-tuned: Gunakan nilai output.finetuned_output dari tanggapan API Create Fine-tuning Job.
Model yang diekspor: Gunakan nilai output[].model_name dari tanggapan API Query Exported Model Details.

capacity integer (Wajib)Jumlah instans model yang diterapkan. Nilai yang direkomendasikan: 1.plan string (Wajib)Metode penerapan. Nilai yang direkomendasikan untuk fine-tuning efisien LoRA: lora.

Penerapan Model

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<replace with model_name>",
    "capacity": 1,
    "plan": "lora"
}'

Parameter Respons

request_id stringPengenal unik permintaan.output objectDetail tugas.

Properti

deployed_model stringPengenal unik model yang diterapkan. Digunakan untuk menanyakan status penerapan model dan memanggil model.model_name stringNama pengenal model.status stringStatus penerapan:

PENDING: Sedang diterapkan.
RUNNING: Berjalan.
FAILED: Penerapan gagal.

base_model stringModel dasar yang digunakan.gmt_create stringWaktu pembuatan task penerapan.gmt_modified stringWaktu pembaruan task penerapan.workspace_id stringID ruang kerja yang terkait dengan API Key Alibaba Cloud Model Studio. Lihat Get the Workspace ID.charge_type stringMode penagihan. post_paid menunjukkan bayar sesuai penggunaan.creator stringID akun Alibaba Cloud dari pembuat.modifier stringID akun Alibaba Cloud dari pengubah.plan stringMetode penerapan.

code stringKode error. Dikembalikan ketika pemanggilan gagal.message stringDeskripsi error detail. Dikembalikan ketika pemanggilan gagal.

Contoh Respons Sukses
Contoh Respons Error

Bidang utama: output.deployed_model (pengenal unik model yang diterapkan), output.status (status penerapan).

{
    "request_id": "96020b2e-9072-4c8a-9981-xxxxxxxxx",
    "output": {
        "deployed_model": "wan2.7-image-pro-ft-202507011122-xxxx",
        "gmt_create": "2025-07-01T10:30:00.000",
        "gmt_modified": "2025-07-01T10:30:00.000",
        "status": "PENDING",
        "model_name": "wan2.7-image-pro-ft-202507011122-xxxx",
        "base_model": "wan2.7-image-pro",
        "workspace_id": "llm-xxxxxxxxx",
        "charge_type": "post_paid",
        "creator": "12xxxxxxx",
        "modifier": "12xxxxxxx",
        "plan": "lora"
    }
}

Langkah Selanjutnya

Penerapan merupakan operasi asinkron. Setelah memanggil API ini, Anda dapat menanyakan status penerapan melalui API Query and Manage Deployments.

​Prasyarat

​Penerapan Model