Criar um job de ajuste fino

No Windows CMD, substitua ${DASHSCOPE_API_KEY} por %DASHSCOPE_API_KEY% . No PowerShell, use $env:DASHSCOPE_API_KEY .

Geração de texto

curl --location --request POST "https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes" \
      --header "Authorization: Bearer ${DASHSCOPE_API_KEY}" \
      --header 'Content-Type: application/json' \
      --data '{
          "model":"qwen3-14b",
          "training_file_ids":[
              "<Replace with the file ID of your training dataset>",
              "<Replace with the file ID of your validation dataset>"
          ],
          "hyper_parameters":{
              "n_epochs":3,
              "batch_size":32,
              "max_length":8192,
              "learning_rate":"1.6e-5",
              "lr_scheduler_type":"linear",
              "split":0.9
          },
          "training_type":"sft",
          "finetuned_output_suffix":"suffix"
      }'

Parâmetros de entrada

Parâmetro	Obrigatório	Tipo	Localização	Descrição
training_file_ids	Sim	Array	Body	Lista de IDs de arquivo do conjunto de treinamento. A File Management API gera esses IDs.
validation_file_ids	Não	Array	Body	Lista de IDs de arquivo do conjunto de validação. A File Management API gera esses IDs.
model	Sim	String	Body	ID do modelo para ajuste fino. Pode ser um ou o ID de um modelo de um job de ajuste anterior. Os modelos de geração de vídeo e imagem aceitam os seguintes valores de `model`: Imagem para Vídeo - Baseado no Primeiro Quadro: `wan2.7-i2v` (recomendado), `wan2.6-i2v`,`wan2.5-i2v-preview`, `wan2.2-i2v-flash` Imagem para Vídeo - Baseado no Primeiro e Último Quadro: `wan2.2-kf2v-flash` Geração de imagem (texto para imagem/imagem para imagem): `wan2.7-image-pro`, `wan2.7-image`
hyper_parameters	Não	Map	Body	Objeto com os hiperparâmetros do job de ajuste. Os parâmetros compatíveis e seus valores padrão variam conforme o modelo. Para visualizar os valores padrão, selecione o modelo e o método de ajuste no console. Para geração de texto, compreensão visual e modelos similares: Use parâmetros como `n_epochs` (número de épocas), `batch_size` (tamanho do lote) e `max_length` (comprimento da sequência). Os parâmetros `n_epochs`, `batch_size` e `max_length` afetam os custos de ajuste e são obrigatórios. Para obter detalhes sobre cada parâmetro, consulte hyper_parameters Description. Modelo de síntese de fala CosyVoice (apenas `cosyvoice-v3-flash`): Todos os oito hiperparâmetros LM/FM são obrigatórios. Para obter detalhes sobre cada parâmetro, consulte "Hiperparâmetros do modelo de síntese de fala CosyVoice" abaixo.
training_type	Não	String	Body	Método de ajuste. Valores válidos: `sft` ou `efficient_sft`. Modelos de geração de vídeo e imagem aceitam apenas `efficient_sft` (ajuste fino eficiente LoRA).
job_name	Não	String	Body	Nome do job de ajuste.
model_name	Não	String	Body	Nome do modelo ajustado resultante.

Modelo de geração de texto
Hiperparâmetros para modelos de geração de vídeo
Hiperparâmetros para modelos de geração de imagem

hyper_parameters configurações compatíveis

Parâmetro	Padrão	Configurações recomendadas	Tipo	Descrição
`n_epochs`	1	Ajuste com base nos resultados do ajuste fino.	Integer	Número de iterações do modelo pelos dados de treinamento.Valores maiores aumentam a duração e o custo do treinamento.
`learning_rate`	`sft`: nível 1e-5 `efficient_sft`: nível 1e-4 O valor específico varia dependendo do modelo selecionado.	Use o valor padrão.	Float	Controla a intensidade das atualizações de peso do modelo. Muito alta: os parâmetros mudam drasticamente, degradando o desempenho. Muito baixa: o desempenho pode não mudar significativamente.
`freeze_vit`	true	Ajuste conforme necessário.	Boolean	Congela os parâmetros do backbone visual para manter seus pesos inalterados durante o treinamento. Aplica-se apenas aos modelos Qwen-VL.
`batch_size`	O valor específico varia dependendo do modelo selecionado. Quanto maior o modelo, menor o tamanho do lote padrão.	Use o valor padrão.	Integer	Número de entradas de dados por iteração de treinamento. Valores menores prolongam o tempo de treinamento.
`eval_steps`	50	Ajuste conforme necessário.	Integer	Intervalo (em passos) para avaliar a precisão e a perda durante o treinamento.Controla a frequência de exibição de Validation Loss e Token Accuracy.
`logging_steps`	5	Ajuste conforme necessário.	Integer	Intervalo (em passos) para imprimir logs de ajuste fino.
`lr_scheduler_type`	`cosine`	Recomendado: `linear` ou `Inverse_sqrt`	String	Estratégia para ajustar dinamicamente a taxa de aprendizado durante o treinamento.Valores válidos:
`max_length`	2048	8192	Integer	Comprimento máximo de tokens por entrada de treinamento. O sistema descarta entradas que excedem este limite.
`max_split_val_dataset_sample`	1000	Use o valor padrão.	Integer	Se `"validation_file_ids"` não estiver definido, o Alibaba Cloud Model Studio divide automaticamente um conjunto de validação de até 1.000 entradas.Se você definir `"validation_file_ids"`, este parâmetro será ignorado.
`split`	0.8	Use o valor padrão.	Float	Se você não definir `"validation_file_ids"`, o Model Studio usa automaticamente 80% do arquivo de treinamento como conjunto de treinamento e 20% como conjunto de validação.Se você definir `"validation_file_ids"`, este parâmetro não terá efeito.
`warmup_ratio`	0.05	Use o valor padrão.	Float	Proporção do total de passos de treinamento dedicada ao aquecimento da taxa de aprendizado. Durante o aquecimento, a taxa de aprendizado aumenta linearmente de um pequeno valor inicial até a taxa configurada.Limita a extensão das mudanças de parâmetros durante o início do treinamento, melhorando a estabilidade.Muito alta: equivalente a uma taxa de aprendizado baixa; o desempenho pode não mudar.Muito baixa: equivalente a uma taxa de aprendizado alta; pode degradar o desempenho. Não se aplica ao tipo de agendador de taxa de aprendizado "Constant".
`weight_decay`	0.1	Use o valor padrão.	Float	Força de regularização L2. Ajuda a manter a generalização do modelo. Se for muito alta, os efeitos do ajuste fino serão insignificantes.
Parâmetros para SFT eficiente (compatível com`efficient_sft`) Ao realizar uma segunda rodada de ajuste fino eficiente em um modelo que já passou por esse processo, mantenha os parâmetros `lora_rank`, `lora_alpha` e `lora_dropout` consistentes.
`lora_rank`	8	64	Integer	Rank da matriz de baixo rank no LoRA. Ranks mais altos melhoram os resultados do ajuste fino, mas desaceleram ligeiramente o treinamento.
`lora_alpha`	32	Use o valor padrão.	Integer	Fator de escala que controla o equilíbrio entre os pesos do modelo original e as correções LoRA.Valores maiores dão mais peso às correções LoRA, tornando o modelo mais específico para a tarefa.Valores menores preservam mais conhecimento do modelo pré-treinado.
`lora_dropout`	0.1	Use o valor padrão.	Float	Taxa de dropout para valores da matriz de baixo rank do LoRA.O valor recomendado melhora a generalização.Se for muito alto, os efeitos do ajuste fino serão insignificantes.
Parâmetros para publicação de checkpoints
`save_strategy`	`epoch`	Defina como `epoch` ou `steps`. Quando definido como `steps`, defina o parâmetro `save_steps` para ajustar o intervalo de salvamento.	String	Controla o intervalo e o número máximo de checkpoints salvos durante o ajuste fino.
`save_steps`	50	Para modificar, defina como um múltiplo inteiro do parâmetro `eval_steps`.	Integer	Número de passos de treinamento após os quais um checkpoint é salvo.
`save_total_limit`	1	10	Integer	Número máximo de checkpoints a serem salvos para exportação.

Estes hiperparâmetros aplicam-se apenas a modelos de geração de vídeo (série Wan). Se o desempenho do modelo for insatisfatório ou se o treinamento não convergir, considere ajustar n_epochs ou learning_rate. Recomenda-se um mínimo de 800 passos totais de treinamento.

Parâmetro	Tipo	Obrigatório	Descrição	Valor recomendado
batch_size	int	Sim	Tamanho do lote. Número de amostras de dados processadas em uma única iteração de treinamento. wan2.7-i2v: Recomendado `1`. wan2.6-i2v: Recomendado `1`. wan2.5-i2v-preview: Recomendado `4`. wan2.2-i2v-flash: Recomendado `4`. wan2.2-kf2v-flash: Recomendado `4`.	Varia conforme o modelo
n_epochs	int	Sim	Número de épocas de treinamento. O número total de passos é calculado como: passos = n_epochs × ⌈tamanho do conjunto de dados / batch_size⌉. Recomenda-se um mínimo de 800 passos totais. Exemplo: Se o conjunto de dados tiver 5 amostras e `batch_size` = `2`, os passos por época = ⌈5/2⌉ = 3. O `n_epochs` mínimo seria 800/3 ≈ 267. O número recomendado de épocas ajusta-se automaticamente com base no tamanho do conjunto de dados. Menos amostras exigem mais épocas para aprendizado suficiente, enquanto conjuntos de dados maiores contêm mais amostras por época e, portanto, precisam de menos épocas. O padrão de 50 épocas é adequado principalmente para conjuntos de dados muito pequenos (cerca de 2 amostras). Para conjuntos de dados de 50 a 60 vídeos, geralmente recomenda-se treinar por aproximadamente 3.000 a 5.000 passos.	50
learning_rate	float	Sim	Taxa de aprendizado. Controla a magnitude das atualizações de peso do modelo durante o treinamento. Um valor muito alto pode degradar o desempenho do modelo, enquanto um valor muito baixo pode resultar em mudanças insignificantes.	2e-5
eval_epochs	int	Sim	Intervalo de validação. O intervalo, em épocas, para realizar validação e salvar um checkpoint. O valor deve ser ≥ `n_epochs/10`.	20
max_pixels	int	Sim	Resolução máxima para vídeos de treinamento (total de pixels = largura × altura). O sistema redimensiona apenas vídeos que excedem este valor. wan2.7-i2v: Recomendado `102400`. Intervalo: `36864`–`123904`. wan2.6-i2v: Recomendado `36864`. Intervalo: `16384`–`36864`. wan2.5-i2v-preview: Recomendado `36864`. Intervalo: `16384`–`36864`. wan2.2-i2v-flash: Recomendado `262144`. Intervalo: `65536`–`262144`. wan2.2-kf2v-flash: Recomendado `262144`. Intervalo: `65536`–`262144`.	Varia conforme o modelo
split	float	Não	Proporção de divisão do conjunto de treinamento. A proporção do conjunto de dados usada para treinamento, com intervalo válido de (0, 1). Este parâmetro é ignorado se `validation_file_ids` for especificado.	0.9
max_split_val_dataset_sample	int	Não	Amostras máximas para conjunto de validação com divisão automática. O tamanho do conjunto de validação é o menor entre dois valores: o resultado de total_samples × (1 − split) ou o valor deste parâmetro.	5
save_total_limit	int	Não	Limite de salvamento de checkpoint. O número máximo de checkpoints recentes a serem mantidos. O sistema exclui checkpoints mais antigos assim que esse limite é excedido.	10
lora_rank	int	Não	Rank LoRA. O rank (dimensão) das matrizes de baixo rank do LoRA. Deve ser uma potência de 2 (2ⁿ), como 16, 32 ou 64.	32
lora_alpha	int	Não	Alpha LoRA. O fator de escala para os pesos do LoRA. Deve ser uma potência de 2 (2ⁿ), como 16, 32 ou 64.	32

Modelos de geração de imagem usam max_steps e eval_steps para controlar o total de passos de treinamento e o intervalo de validação, diferentemente dos modelos de vídeo que usam n_epochs e eval_epochs. Se o modelo apresentar baixo desempenho ou falhar na convergência, considere ajustar max_steps ou learning_rate.

Parâmetro	Tipo	Obrigatório	Descrição	Valor recomendado
max_steps	int	Sim	Total de passos de treinamento. Parâmetro central que determina o número total de iterações de treinamento. Recomendamos pelo menos 500 passos para garantir a convergência do modelo, e um valor maior para conjuntos de dados maiores.	800
eval_steps	int	Sim	Intervalo de validação. O valor deve ser ≥ 0. Especifica a frequência (em passos) para avaliar o modelo durante o treinamento. Um checkpoint também é salvo em cada intervalo.	200
learning_rate	float	Sim	Taxa de aprendizado. Controla a magnitude das atualizações de peso do modelo. Um valor muito alto pode degradar o desempenho do modelo, enquanto um valor muito baixo pode resultar em mudanças insignificantes. Recomendamos usar o valor padrão.	3e-5
generation_type	string	Sim	Modo de geração. Use `"t2i"` para texto para imagem ou `"i2i"` para imagem para imagem. Esta configuração determina o formato dos dados de treinamento e o método de inferência.	t2i
max_pixels	string	Sim	Resolução máxima para imagens de treinamento. Por exemplo, "1k" ou "2k" (1K = 1024×1024, 2K = 2048×2048). Define um limite superior para o número total de pixels (largura × altura) das imagens no conjunto de treinamento. O sistema reduz apenas imagens que excedem este valor; imagens abaixo do limite permanecem inalteradas. Recomendamos manter os três parâmetros relacionados à resolução (`max_pixels`, `max_token_length` e `val_img_size`) consistentes.	texto para imagem: "2k"imagem para imagem: "1k"
val_img_size	string	Sim	Resolução de geração de imagem de validação. Por exemplo, "1k" ou "2k" (1K = 1024×1024, 2K = 2048×2048). A resolução alvo para imagens geradas durante a avaliação de validação.	texto para imagem: "2k"imagem para imagem: "1k"
max_token_length	string	Sim	Comprimento máximo de tokens por passo. Por exemplo, "1k" ou "2k". Este parâmetro, juntamente com `max_steps`, controla o processo de treinamento: `max_steps` determina o número de iterações, enquanto `max_token_length` determina a quantidade de dados processados em cada passo.	texto para imagem: "2k"imagem para imagem: "1k"
gradient_clip	float	Sim	Recorte de gradiente. O limiar para recorte da norma global do gradiente em todos os parâmetros treináveis, usado para evitar explosão de gradientes. Defina como -1 para desativar o recorte.	0.5
weight_decay	float	Sim	Decaimento de peso. O coeficiente de decaimento de peso desacoplado para o otimizador AdamW. Aplica-se a todos os parâmetros treináveis e é usado para regularização para evitar overfitting.	0.02
lora_rank	int	Sim	Rank LoRA. O rank (dimensão) das matrizes de baixo rank do LoRA. Este valor determina o número de parâmetros treináveis para ajuste fino. Um valor maior aumenta a capacidade de ajuste do modelo, mas desacelera o treinamento. O valor deve ser uma potência de 2 (por exemplo, 16, 32, 64).	32
save_total_limit	int	Não	Limite de salvamento de checkpoint. O número máximo de checkpoints do modelo a serem salvos. O sistema mantém apenas os N checkpoints mais recentes, onde N é este valor.	10
split	float	Não	Proporção de divisão do conjunto de treinamento. O intervalo de valores é (0, 1). Este parâmetro entra em vigor apenas quando `validation_file_ids` não é especificado. É usado para dividir automaticamente uma parte do conjunto de treinamento para ser usada como conjunto de validação. Por exemplo, um valor de 0.9 significa que 90% dos dados são usados como conjunto de treinamento e 10% como conjunto de validação.	0.9

Exemplo de resposta

Modelo de geração de texto
Modelo de geração de vídeo
Modelo de geração de imagem

{
          "request_id": "9654e55a-d74b-4113-aee1-fa19c9384fcc",
          "output": {
              "job_id": "ft-202410291653-1c7f",
              "job_name": "ft-202410291653-1c7f",
              "status": "PENDING",
              "model": "qwen3-14b",
              "base_model": "qwen3-14b",
              "training_file_ids": [
                  "976bd01a-f30b-4414-86fd-50c54486e3ef"
              ],
              "validation_file_ids": [

              ],
              "hyper_parameters": {
                  "n_epochs": 3,
                  "batch_size": 32,
                  "max_length": 8192,
                  "learning_rate": "1.6e-5",
                  "lr_scheduler_type": "linear",
                  "split": 0.9
              },
              "training_type": "sft",
              "create_time": "2024-10-29 16:53:53",
              "workspace_id":"llm-v71tlv***",
              "user_identity": "1396993924585947",
              "modifier": "1396993924585947",
"creator": "1396993924585947",
              "group": "llm"
          }
      }

Verifique output.job_id (ID do job) e output.finetuned_output (nome do modelo ajustado, usado para implantação).

{
    "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": [
            "xxxxxxxxxxxx"
        ],
        "validation_file_ids": [],
        "hyper_parameters": {
            "n_epochs": 50,
            "batch_size": 4,
            "learning_rate": 2.0E-5,
            "split": 0.9,
            "eval_epochs": 20
        },
        "training_type": "efficient_sft",
        "create_time": "2025-11-11 11:22:22"
    }
}

Verifique output.job_id (ID do job) e output.finetuned_output (nome do modelo ajustado, usado para implantação).

{
    "request_id": "0eb05b0c-02ba-414a-9d0c-xxxxxxxxx",
    "output": {
        "job_id": "ft-202606030110-xxxx",
        "job_name": "ft-202606030110-xxxx",
        "status": "PENDING",
        "finetuned_output": "wan2.7-image-pro-ft-202606030110-xxxx",
        "model": "wan2.7-image-pro",
        "base_model": "wan2.7-image-pro",
        "training_file_ids": [
            "xxxxxxxxxxxx"
        ],
        "validation_file_ids": [],
        "hyper_parameters": {
            "max_steps": 800,
            "learning_rate": 3.0E-5,
            "eval_steps": 200,
            "max_token_length": "1k",
            "max_pixels": "1k",
            "val_img_size": "1k",
            "generation_type": "t2i",
            "lora_rank": 32
        },
        "training_type": "efficient_sft",
        "create_time": "2026-06-03 01:10:47"
    }
}

Parâmetros de resposta

Parâmetro	Tipo	Descrição
request_id	String	ID da solicitação.
output	Object	Detalhes do job de ajuste fino.
output.job_id	String	ID do job de ajuste fino. Use este ID com outras APIs, como querying fine-tuning job details, querying fine-tuning job logs, canceling a fine-tuning job e deleting a fine-tuning job. Formato: `ft-{yyyyMMddHHmm}-{4-character ID}`.
output.job_name	String	Igual a `output.job_id`.
output.status	String	O job status.
output.model	String	ID do modelo ajustado.
output.base_model	String	ID do modelo base usado para ajuste fino. Exemplo: Para o job de ajuste fino `ft-202410291653-1c7f`, o modelo base é `qwen3-14b`.
output.training_file_ids	Array	Um array de IDs de arquivo de ajuste fino.
output.validation_file_ids	Array	Um array de IDs de arquivo de validação.
output.hyper_parameters	Object	Os hiperparâmetros definidos explicitamente para o job.
output.training_type	String	O método de ajuste fino.
output.create_time	String	Hora de criação do job de ajuste fino.
output.workspace_id	String	ID do workspace que contém o job de ajuste fino.
output.user_identity	String	UID da conta principal proprietária.
output.modifier	String	UID da conta que modificou o job pela última vez. Por exemplo, se uma subconta cancelar o job, este campo retorna o UID dessa subconta.
output.creator	String	UID do usuário que criou o job.
output.group	String	Categoria do job de ajuste fino.

Status do job	Descrição
PENDING	O job de ajuste fino está aguardando início.
QUEUING	O job de ajuste fino está na fila. (Apenas um job de ajuste fino pode ser executado por vez.)
RUNNING	O job de ajuste fino está em execução.
CANCELING	O job de ajuste fino está sendo cancelado.
SUCCEEDED	O job de ajuste fino foi concluído com sucesso.
FAILED	O job de ajuste fino falhou.
CANCELED	O job de ajuste fino foi cancelado.

Códigos de erro de solicitação

Retornados quando uma solicitação falha.

Parâmetro	Tipo	Descrição	Exemplo
code	String	O código de erro.	NotFound
request_id	String	ID único gerado pelo sistema para esta solicitação.	6332fb02-3111-43f0-bf79-f9e8c5ffa7f9
message	String	A mensagem de erro.	Not Found!

Exemplo de resposta

{
        "code": "NotFound",
        "request_id": "BE213CDD-8A5C-59EE-9A67-055EAB0CB59B",
        "message": "Not Found!"
      }

Códigos de erro

Código de status HTTP	Código de erro	Exemplo	Descrição	Solução
400	InvalidParameter	Arquivos de treinamento ausentes	Um parâmetro é inválido, seja porque falta um parâmetro obrigatório ou porque um valor tem formato incorreto.	Verifique a mensagem de erro e corrija os parâmetros em sua solicitação.
400	UnsupportedOperation	Não é possível excluir o job de ajuste fino porque ele já foi concluído com sucesso, falhou ou foi cancelado.	O recurso está em um estado que impede esta operação.	Tente novamente a operação depois que o recurso entrar em um estado operacional.
404	NotFound	Não encontrado!	O recurso solicitado não existe.	Verifique se o ID do recurso está correto.
409	Conflict	Nome do modelo já existe	Já existe um modelo com o nome especificado.	Especifique um nome de modelo diferente ou adicione um sufixo exclusivo.
429	Throttling	Muitos jobs de ajuste fino estão em execução. Tente novamente mais tarde. Cada usuário pode ter no máximo 20 jobs de ajuste fino em execução ou concluídos com sucesso.	A solicitação foi rejeitada porque um limite da plataforma foi atingido.	Exclua modelos não utilizados.
500	InternalError	Erro interno do servidor!	Ocorreu um erro interno.	Anote o request_id e abra um ticket para o suporte da Alibaba Cloud para solução de problemas.