Fine-tune with the API or CLI - Alibaba Cloud Model Studio

Pré-requisitos

Revise Introduction to model fine-tuning para compreender seus conceitos, processo e requisitos de dados.
Ative o service e obtenha uma chave de API. Get an API key.
Conceda ao RAM user (RAM user) as permissions necessárias de invocação, treinamento e implantação.

A API suporta apenas faturamento baseado em tokens. Para usar unidades de treinamento de modelo (pré-pagas ou pós-pagas), crie o job no console.

Envie arquivos de ajuste

Preparação de arquivos de ajuste fino

Conjunto de treinamento SFT

Os dados de treinamento no formato SFT ChatML (Chat Markup Language) suportam conversas de múltiplas rodadas e várias configurações de função.

Os parâmetros name e weight do OpenAI não são suportados. Todas as saídas do assistente serão treinadas.

# A single line of training data (in JSON format) has the following typical structure when expanded:
{"messages": [
  {"role": "system", "content": "System input 1"},
  {"role": "user", "content": "User input 1"},
  {"role": "assistant", "content": "Expected model output 1"},
  {"role": "user", "content": "User input 2"},
  {"role": "assistant", "content": "Expected model output 2"}
  ...
]}

Para obter informações sobre as diferenças entre system, user e assistant, consulte Overview. Conjuntos de dados de treinamento de exemplo: SFT-ChatML_format_example.jsonl, SFT-ChatML_format_example.xlsx. Os formatos XLS e XLSX suportam apenas conversas de rodada única.Todas as linhas de assistente em uma única entrada de dados de treinamento suportam o parâmetro "loss_weight", que define a importância relativa dessa linha durante o treinamento. (Intervalo: 0.0 a 1.0. Um valor maior indica maior importância.)

Este parâmetro está disponível para visualização por convite. Para usá-lo, entre em contato com seu gerente de conta.

 {"role": "assistant", "content": "Expected model output 1", "loss_weight": 1.0},
 {"role": "assistant", "content": "Expected model output 2", "loss_weight": 0.5}

Você também pode baixar um modelo de dados no console do Model Studio.

Abaixo da área de upload de arquivo na página Create Dataset, você encontra o link para download do data template.

Faça upload do arquivo de ajuste fino para o Model Studio

OpenAI-compatible Files API

import os
from pathlib import Path
from openai import OpenAI

client = OpenAI(
    # If you have not configured an environment variable, replace the following line with api_key="sk-xxx" and use your Model Studio API key.
    # API keys for the Singapore and China (Beijing) regions are different. Get an API key: https://www.alibabacloud.com/help/en/model-studio/get-api-key
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # The following is the URL for the Singapore region. If you use a service in the China (Beijing) region, replace the URL with: 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 is a local sample file.
file_object = client.files.create(file=Path("test.jsonl"), purpose="fine-tune")

print(file_object.model_dump_json())

Limitações:

O tamanho máximo de um único arquivo é de 300 MB.
O tamanho total de todos os arquivos não excluídos é limitado a 5 GB.
É possível armazenar no máximo 100 arquivos não excluídos.
Os arquivos são armazenados indefinidamente.

Ajuste fino de modelo

Crie uma tarefa de ajuste fino

HTTP

No Windows CMD, substitua ${DASHSCOPE_API_KEY} por %DASHSCOPE_API_KEY% . No PowerShell, use $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"
}'

Parâmetros

Parâmetro	Obrigatório	Tipo	Localização	Descrição
training_file_ids	Sim	Array	Body	Lista de IDs de arquivo para o conjunto de treinamento.
validation_file_ids	Não	Array	Body	Lista de IDs de arquivo para o conjunto de validação.
model	Sim	String	Body	ID do modelo base ou ID de um modelo previamente ajustado.
hyper_parameters	Não	Map	Body	Hiperparâmetros da tarefa de ajuste fino. Os valores padrão variam conforme o modelo; consulte o console para detalhes específicos. Os parâmetros a seguir são obrigatórios, pois afetam o custo do treinamento: `n_epochs`, `batch_size` e `max_length`.
training_type	Não	String	Body	Método de ajuste fino. Valores válidos: `cpt` `sft` `efficient_sft` `dpo_full` `dpo_lora`
job_name	Não	String	Body	Nome da tarefa de ajuste fino.
model_name	Não	String	Body	Nome do modelo ajustado (diferente do ID gerado pelo sistema).

Resposta

{
    "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
    }
}

Modelos base (model) e tipos de treinamento (training_type)

Modelos suportados

Singapore
North China 2 (Beijing)

Geração de texto
Compreensão visual (Qwen-VL)

Nome do modelo	Código do modelo	Treinamento SFT com parâmetros completos (sft)	Treinamento SFT eficiente (efficient_sft)
Qwen3-14B	qwen3-14b	×	Suportado

Geração de texto
Compreensão visual (Qwen-VL)

Serviço de modelo	Código do modelo	Treinamento CPT com parâmetros completos (cpt)	Treinamento SFT com parâmetros completos (sft)	Treinamento SFT eficiente (efficient_sft)	Treinamento DPO com parâmetros completos (dpo_full)	Treinamento DPO eficiente (dpo_lora)
Qwen3.6-Flash-2026-04-16	qwen3.6-flash-2026-04-16	×	Suportado	×	×	×

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

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

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

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

Serviço de modelo	Código do modelo	Treinamento CPT com parâmetros completos (cpt)	Treinamento SFT com parâmetros completos (sft)	Treinamento SFT eficiente (efficient_sft)	Treinamento DPO com parâmetros completos (dpo_full)	Treinamento DPO eficiente (dpo_lora)
Qwen3-VL-8B-Instruct	qwen3-vl-8b-instruct	×	Suportado	Suportado	×	×
Qwen3-VL-8B-Thinking	qwen3-vl-8b-thinking	×	Suportado	Suportado	×	×
Qwen3-VL-4B-Instruct	qwen3-vl-4b-instruct	×	Suportado	Suportado	×	×

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

Comparação dos métodos de ajuste fino

Recurso	CPT (Pré-treinamento Contínuo)	SFT (Ajuste Fino Supervisionado)	DPO (Otimização Direta de Preferência)
Resumo	Complementa conhecimento (Injeta conhecimento de domínio)	Aprende a executar tarefas (Segue instruções)	Executa tarefas com maior qualidade (Alinha-se às preferências humanas)
Dados de entrada	Mais de 10 milhões de tokens Texto de domínio não rotulado	Mais de 1.000 entradas Pares "pergunta-resposta" de alta qualidade	Mais de 100 conjuntos Pares de respostas "melhor-pior" para a mesma instrução
Objetivo principal	Adaptação ao domínio. Aprende vocabulário especializado e fatos.	Ensina ao modelo formatos de conversa e capacidades de execução de tarefas.	Faz com que as saídas do modelo se alinhem melhor aos valores e preferências humanos.
Método de aprendizado	Aprendizado auto-supervisionado (Prevê a próxima palavra)	Aprendizado supervisionado (Imita o ground truth)	Aprendizado direto de preferência (Aumenta a probabilidade de boas respostas e diminui a de respostas ruins)
Estágio do modelo	Geralmente antes do SFT	Após o CPT e antes do DPO	Geralmente após o SFT, como etapa final de alinhamento.

Comparação dos padrões de treinamento

	Treinamento com parâmetros completos	Treinamento eficiente (LoRA, recomendado)
Cenários	• O modelo precisa adquirir novas capacidades • Busca de desempenho global ideal.	• Otimização do desempenho do modelo para cenários específicos. • Cenários sensíveis a custo e tempo.
Tempo de treinamento	Mais longo, com convergência mais lenta.	Mais curto, com convergência mais rápida.

Treinamento com parâmetros completos

Treinamento eficiente (LoRA, recomendado)

Cenários

• O modelo precisa adquirir novas capacidades

• Busca de desempenho global ideal.

• Otimização do desempenho do modelo para cenários específicos.

• Cenários sensíveis a custo e tempo.

Tempo de treinamento

Mais longo, com convergência mais lenta.

Mais curto, com convergência mais rápida.

hyper_parameters : Configurações suportadas

Os parâmetros suportados e seus valores padrão variam conforme o modelo. Para visualizar os valores padrão específicos, acesse o console e selecione o modelo e o método de treinamento .

Parâmetro	Configuração recomendada	Tipo	Descrição
`n_epochs`(Número de épocas) [Obrigatório]	Tamanho dos dados < 10.000: 3–5Tamanho dos dados > 10.000: 1–2	Integer	Quantas vezes o modelo itera sobre todo o conjunto de treinamento.Mais épocas aumentam o tempo e o custo do treinamento.
`learning_rate`(Taxa de aprendizado)	Use o valor padrão recomendado pelo Model Studio.	Float	Controla o tamanho do passo para atualizações de peso durante o treinamento. Muito alta: o treinamento pode divergir. Muito baixa: convergência lenta com melhoria mínima.
`freeze_vit`(Congelar backbone visual)	Ajuste conforme necessário	Boolean	Congela o backbone visual para que seus pesos não sejam atualizados durante o treinamento. Aplica-se apenas aos modelos Qwen-VL. O faturamento por token está disponível apenas quando freeze_vit é definido como "true".
`batch_size`(Tamanho do lote) [Obrigatório]	Use o valor padrão recomendado pelo Model Studio.	Integer	Número de exemplos de treinamento por iteração. Valores pequenos aumentam significativamente o tempo de treinamento. Os padrões variam conforme o modelo.
`eval_steps`(Passos de avaliação)	Ajuste conforme necessário	Integer	Intervalo de passos para avaliar a precisão e a perda do treinamento.Controla a frequência com que `Validation Loss` e `Validation Token Accuracy` são reportados.
`logging_steps`(Passos de log)	Ajuste conforme necessário	Integer	Intervalo de passos para registrar o progresso do treinamento em log.
`lr_scheduler_type`(Agendador de taxa de aprendizado)	Recomendado `linear`/`Inverse_sqrt`	String	Estratégia para ajustar a taxa de aprendizado durante o treinamento.Cada estratégia é descrita em Fine-tune a model in the console.
`max_length`(Comprimento da sequência) [Obrigatório]	8192	Integer	Comprimento máximo da sequência (em tokens) por exemplo de treinamento. Exemplos mais longos são descartados.How to convert between tokens and characters.
`max_split_val_dataset_sample`(Amostras máximas do conjunto de validação)	Use o valor padrão recomendado pelo Model Studio.	Integer	Quando `"validation_file_ids"` não está definido, o conjunto de validação dividido automaticamente pelo Model Studio contém no máximo 1.000 entradas.Este parâmetro não tem efeito quando `"validation_file_ids"` está definido.
`split`(Proporção do conjunto de treinamento)	Use o valor padrão recomendado pelo Model Studio.	Float	Se `"validation_file_ids"` não estiver definido, o Model Studio divide o arquivo de treinamento: 80% para treinamento, 20% para validação.Quando `"validation_file_ids"` está definido, este parâmetro não tem efeito.
`warmup_ratio`(Proporção de aquecimento)	Use o valor padrão recomendado pelo Model Studio.	Float	Fração dos passos de treinamento usada para aquecimento da taxa de aprendizado (aumento linear de quase zero até a taxa alvo).Estabiliza o início do treinamento limitando grandes atualizações de peso.Muito alta: assemelha-se a uma taxa de aprendizado baixa com mudança mínima de desempenho.Muito baixa: assemelha-se a uma taxa de aprendizado alta e pode degradar o desempenho. Este parâmetro não tem efeito se o agendador de taxa de aprendizado estiver definido como `constant`.
`weight_decay`(Decaimento de peso)	Use o valor padrão recomendado pelo Model Studio.	Float	Força da regularização L2. Ajuda a preservar a generalização, mas valores excessivamente altos reduzem a eficácia do ajuste fino.
Parâmetros para ajuste fino eficiente (suporta`efficient_sft` e `dpo_lora`) Ao realizar uma segunda rodada de ajuste fino eficiente em um modelo que já passou por esse processo, os parâmetros `lora_rank`, `lora_alpha` e `lora_dropout` devem permanecer consistentes.
`lora_rank`(Rank LoRA)	64	Integer	Rank das matrizes de baixo rank do LoRA. Ranks mais altos podem melhorar os resultados, mas aumentam ligeiramente o tempo de treinamento.
`lora_alpha`(Alpha LoRA)	Use o valor padrão recomendado pelo Model Studio.	Integer	Fator de escala para combinar os pesos do modelo base com a correção LoRA.Alpha maior: mais peso para as atualizações LoRA específicas da tarefa.Alpha menor: maior retenção do conhecimento do modelo base.
`lora_dropout`(Dropout LoRA)	Use o valor padrão recomendado pelo Model Studio.	Float	Taxa de dropout para as matrizes de baixo rank do LoRA. O padrão equilibra a generalização; valores excessivamente grandes diminuem a eficácia do ajuste fino.
Parâmetros para publicação de snapshots de parâmetros do modelo (apenas para`efficient_sft` e `sft`)
`save_strategy`(Estratégia de salvamento de snapshot)	Pode ser definido como `epoch` ou `steps`. Quando definido como `steps`, você pode ajustar o intervalo de salvamento definindo o parâmetro `save_steps`.	String	Estratégia para salvar snapshots de parâmetros do modelo (checkpoints): `epoch` (após cada época) ou `steps` (em um intervalo de passos especificado).
`save_steps`(Passos de salvamento)	Se precisar modificar manualmente, defina como um múltiplo inteiro do parâmetro `eval_steps`.	Integer	Intervalo, em passos de treinamento, entre os salvamentos de snapshot.
`save_total_limit`(Limite de salvamento de snapshots)	10	Integer	Número máximo de snapshots a serem retidos. Snapshots mais antigos são excluídos automaticamente quando o limite é atingido.

Consultar um job de fine-tuning

Utilize o job_id retornado na resposta de criação para obter os detalhes do job.

HTTP

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

Parâmetros da requisição

Parâmetro	Tipo	Localização	Obrigatório	Descrição
job_id	String	Path	Sim	ID do job de fine-tuning.

Resposta de sucesso

{
    "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 do job	Descrição
PENDING	O job aguarda início.
QUEUING	Job em fila de espera. Apenas um job de fine-tuning executa por vez.
RUNNING	Execução em andamento.
CANCELING	Cancelamento em processo.
SUCCEEDED	Job concluído com sucesso.
FAILED	Falha na execução do job.
CANCELED	Job cancelado pelo usuário.

Após a conclusão bem-sucedida do job, o campo finetuned_output conterá o ID do modelo pronto para implantação.

Obter logs do job de 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'

Utilize offset (linha inicial) e line (quantidade máxima de linhas retornadas) para paginar a saída de log.

Exemplo de resposta:

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

Consultar e publicar checkpoints do modelo

Somente o fine-tuning SFT ( efficient_sft e sft ) permite salvar e publicar checkpoints a partir de estados intermediários de treinamento.

Listar checkpoints de um job de 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'

Parâmetros da requisição

Parâmetro	Tipo	Localização do parâmetro	Obrigatório	Descrição
job_id	String	Path Parameter	Sim	ID do job de fine-tuning.

Exemplo de resposta

O campo checkpoint contém o ID do checkpoint, que especifica qual checkpoint publicar na API Model publishing (optional). O campo model_name armazena o ID do modelo usado para implantação. Já o campo finetuned_output na resposta original do job de fine-tuning corresponde ao model_name do checkpoint final.

{
    "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	Descrição
PENDING	Checkpoint pendente de publicação. É necessário publicá-lo pela API Model publishing antes de usá-lo para model deployment and invocation.
PROCESSING	Publicação do checkpoint em andamento.
SUCCEEDED	Checkpoint publicado com êxito. Agora está disponível para model deployment and invocation.
FAILED	Falha ao publicar o checkpoint.

Publicação do modelo (opcional)

Após concluir um job de fine-tuning, exporte um checkpoint antes de implantar o modelo.Os checkpoints exportados ficam armazenados no cloud storage e não estão disponíveis para download.

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'

Parâmetros da requisição

Parâmetro	Tipo	Localização do parâmetro	Obrigatório	Descrição
job_id	String	Path Parameter	Sim	ID do job de fine-tuning.
checkpoint_id	String	Path Parameter	Sim	ID do checkpoint a ser publicado.
model_name	String	Path Parameter	Sim	ID personalizado a ser atribuído ao modelo publicado.

Exemplo de resposta

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

A publicação ocorre de forma assíncrona. Utilize a API List checkpoints for a fine-tuning job para monitorar o status.

Outras operações de fine-tuning

Listar jobs de fine-tuning

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

Cancelar um job de fine-tuning

Cancela um job de fine-tuning em execução.

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'

Excluir um job de fine-tuning

Não é possível excluir um job de fine-tuning enquanto ele estiver em execução.

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

Implantação e invocação do modelo

Implantação do modelo

Para implantar o modelo, acesse o console de implantação de modelos.

Invocação do modelo

Quando o status da implantação for RUNNING, invoque o modelo ajustado como qualquer outro modelo. Também é possível obter o Model Code no console de implantação de modelos. Uso e parâmetros: DashScope API Reference.

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": "Who are you?"
            }
        ]
    },
    "parameters": {
        "result_format": "message"
    }
}'

​Pré-requisitos

​Envie arquivos de ajuste

​Preparação de arquivos de ajuste fino

​Faça upload do arquivo de ajuste fino para o Model Studio

​Ajuste fino de modelo

​Crie uma tarefa de ajuste fino

Parâmetros

Resposta

Modelos suportados

Comparação dos métodos de ajuste fino

Comparação dos padrões de treinamento

​Consultar um job de fine-tuning

Parâmetros da requisição

Resposta de sucesso

​Obter logs do job de fine-tuning

​Consultar e publicar checkpoints do modelo

​Listar checkpoints de um job de fine-tuning

​Publicação do modelo (opcional)

​Outras operações de fine-tuning

​Listar jobs de fine-tuning

​Cancelar um job de fine-tuning

​Excluir um job de fine-tuning

​Implantação e invocação do modelo

​Implantação do modelo

​Invocação do modelo

Pré-requisitos

Envie arquivos de ajuste

Preparação de arquivos de ajuste fino

Faça upload do arquivo de ajuste fino para o Model Studio

Ajuste fino de modelo

Crie uma tarefa de ajuste fino

Consultar um job de fine-tuning

Obter logs do job de fine-tuning

Consultar e publicar checkpoints do modelo

Listar checkpoints de um job de fine-tuning

Publicação do modelo (opcional)

Outras operações de fine-tuning

Listar jobs de fine-tuning

Cancelar um job de fine-tuning

Excluir um job de fine-tuning

Implantação e invocação do modelo

Implantação do modelo

Invocação do modelo