Buat pekerjaan fine-tuning

Buat pekerjaan fine-tuning model.

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

Generasi teks

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":[
              "<Ganti dengan ID file set data pelatihan Anda>",
              "<Ganti dengan ID file set data validasi Anda>"
          ],
          "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"
      }'

Generasi video

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": [
        "<Ganti dengan ID file set data pelatihan Anda>"
    ],
    "training_type": "efficient_sft",
    "hyper_parameters": {
        "n_epochs": 400,
        "batch_size": 1,
        "learning_rate": 2e-5,
        "split": 0.9,
        "max_split_val_dataset_sample": 5,
        "eval_epochs": 50,
        "max_pixels": 102400,
        "save_total_limit": 10,
        "lora_rank": 32,
        "lora_alpha": 32
    }
}'

Generasi gambar

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-image-pro",
    "training_file_ids": ["<ID-file-set-data-pelatihan-anda>"],
    "training_type": "efficient_sft",
    "hyper_parameters": {
        "learning_rate": 3e-5,
        "max_steps": 800,
        "eval_steps": 200,
        "max_token_length": "1k",
        "gradient_clip": 0.5,
        "weight_decay": 0.02,
        "max_pixels": "1k",
        "val_img_size": "1k",
        "generation_type": "t2i",
        "lora_rank": 32,
        "save_total_limit": 10
    }
}'

Parameter input

Parameter	Wajib	Tipe	Lokasi	Deskripsi
training_file_ids	Ya	Array	Body	Daftar ID file untuk set pelatihan. ID file dihasilkan oleh File Management API.
validation_file_ids	Tidak	Array	Body	Daftar ID file untuk set validasi. ID file dihasilkan oleh File Management API.
model	Ya	String	Body	ID model yang akan di-fine-tune. Ini bisa berupa atau ID model dari pekerjaan fine-tuning sebelumnya. Model generasi video/gambar mendukung nilai `model` berikut: Image-to-Video - Berbasis Frame Pertama: `wan2.7-i2v` (direkomendasikan), `wan2.6-i2v`, `wan2.5-i2v-preview`, `wan2.2-i2v-flash` Image-to-Video - Berbasis Frame Pertama dan Terakhir: `wan2.2-kf2v-flash` Generasi gambar (teks-ke-gambar/gambar-ke-gambar): `wan2.7-image-pro`, `wan2.7-image`
hyper_parameters	Tidak	Map	Body	Objek yang berisi hiperparameter untuk pekerjaan fine-tuning. Parameter yang didukung beserta nilai default-nya bervariasi tergantung model. Untuk melihat nilai default, pilih model dan metode fine-tuning di konsol. Untuk model generasi teks, pemahaman visual, dan model serupa: Gunakan parameter seperti `n_epochs` (jumlah epoch), `batch_size` (ukuran batch), dan `max_length` (panjang urutan). Parameter `n_epochs`, `batch_size`, dan `max_length` memengaruhi biaya fine-tuning dan wajib diisi. Untuk detail tiap parameter, lihat Deskripsi hyper_parameters. Model sintesis suara CosyVoice (`cosyvoice-v3-flash` saja): Kedelapan hiperparameter LM/FM wajib diisi. Untuk detail tiap parameter, lihat bagian "Hiperparameter model sintesis suara CosyVoice" di bawah.
training_type	Tidak	String	Body	Metode fine-tuning. Nilai yang valid adalah `sft` atau `efficient_sft`. Model generasi video/gambar hanya mendukung `efficient_sft` (fine-tuning efisien LoRA).
job_name	Tidak	String	Body	Nama untuk pekerjaan fine-tuning.
model_name	Tidak	String	Body	Nama model hasil fine-tuning.

Model generasi teks

`hyper_parameters` pengaturan yang didukung

Parameter	Default	Pengaturan yang Direkomendasikan	Tipe	Deskripsi
`n_epochs`	1	Sesuaikan berdasarkan hasil fine-tuning.	Integer	Jumlah kali model melakukan iterasi melalui data pelatihan. Nilai lebih tinggi meningkatkan durasi dan biaya pelatihan.
`learning_rate`	`sft`: tingkat 1e-5 `efficient_sft`: 1e-4 Nilai spesifik bervariasi tergantung model yang dipilih.	Gunakan nilai default.	Float	Mengontrol intensitas pembaruan bobot model. Terlalu tinggi: parameter berubah drastis, menurunkan performa. Terlalu rendah: performa mungkin tidak berubah signifikan.
`freeze_vit`	true	Sesuaikan sesuai kebutuhan.	Boolean	Membekukan parameter jaringan tulang punggung visual sehingga bobotnya tetap tidak berubah selama pelatihan. Hanya berlaku untuk model Qwen-VL.
`batch_size`	Nilai spesifik bervariasi tergantung model yang dipilih. Semakin besar model, semakin kecil ukuran batch default.	Gunakan nilai default.	Integer	Jumlah entri data per iterasi pelatihan. Nilai lebih kecil memperpanjang waktu pelatihan.
`eval_steps`	50	Sesuaikan sesuai kebutuhan.	Integer	Interval (dalam langkah) untuk mengevaluasi akurasi dan loss pelatihan selama pelatihan. Mengontrol frekuensi tampilan Validation Loss dan Token Accuracy.
`logging_steps`	5	Sesuaikan sesuai kebutuhan.	Integer	Interval (dalam langkah) untuk mencetak log fine-tuning.
`lr_scheduler_type`	`cosine`	Direkomendasikan: `linear` atau `Inverse_sqrt`	String	Strategi untuk menyesuaikan tingkat pembelajaran secara dinamis selama pelatihan. Nilai yang valid:
`max_length`	2048	8192	Integer	Panjang token maksimum per entri pelatihan. Entri yang melebihi batas ini dibuang.
`max_split_val_dataset_sample`	1000	Gunakan nilai default.	Integer	Jika `"validation_file_ids"` tidak diatur, Alibaba Cloud Model Studio secara otomatis membagi set validasi hingga 1.000 entri. Jika Anda mengatur `"validation_file_ids"`, parameter ini diabaikan.
`split`	0,8	Gunakan nilai default.	Float	Jika Anda tidak mengatur `"validation_file_ids"`, Model Studio secara otomatis menggunakan 80% file pelatihan sebagai set pelatihan dan 20% sebagai set validasi. Jika Anda mengatur `"validation_file_ids"`, parameter ini tidak berpengaruh.
`warmup_ratio`	0,05	Gunakan nilai default.	Float	Proporsi total langkah pelatihan yang dialokasikan untuk pemanasan tingkat pembelajaran. Selama pemanasan, tingkat pembelajaran meningkat secara linear dari nilai awal kecil ke tingkat yang dikonfigurasi. Membatasi sejauh mana perubahan parameter selama pelatihan awal, meningkatkan stabilitas. Terlalu tinggi: setara dengan tingkat pembelajaran rendah; performa mungkin tidak berubah. Terlalu rendah: setara dengan tingkat pembelajaran tinggi; dapat menurunkan performa. Tidak berlaku untuk tipe penjadwal tingkat pembelajaran "Constant".
`weight_decay`	0,1	Gunakan nilai default.	Float	Kekuatan regularisasi L2. Membantu menjaga generalisasi model. Jika terlalu tinggi, efek fine-tuning tidak signifikan.
Parameter untuk SFT Efisien (mendukung `efficient_sft`) Catatan Ketika Anda melakukan putaran kedua fine-tuning efisien pada model yang telah difine-tune secara efisien, parameter `lora_rank`, `lora_alpha`, dan `lora_dropout` harus konsisten.
`lora_rank`	8	64	Integer	Rank matriks low-rank dalam LoRA. Rank lebih tinggi meningkatkan hasil fine-tuning tetapi sedikit memperlambat pelatihan.
`lora_alpha`	32	Gunakan nilai default.	Integer	Faktor penskalaan yang mengontrol keseimbangan antara bobot model asli dan koreksi LoRA. Nilai lebih besar memberikan lebih banyak bobot pada koreksi LoRA, membuat model lebih spesifik tugas. Nilai lebih kecil mempertahankan lebih banyak pengetahuan model pra-latih.
`lora_dropout`	0,1	Gunakan nilai default.	Float	Tingkat dropout untuk nilai matriks low-rank LoRA. Nilai yang direkomendasikan meningkatkan generalisasi. Jika terlalu tinggi, efek fine-tuning tidak signifikan.
Parameter untuk Menerbitkan Checkpoint
`save_strategy`	`epoch`	Dapat diatur ke `epoch` atau `steps`. Ketika diatur ke `steps`, atur parameter `save_steps` untuk menyesuaikan interval penyimpanan.	String	Mengontrol interval dan jumlah maksimum checkpoint yang disimpan selama fine-tuning.
`save_steps`	50	Untuk memodifikasinya, atur ke kelipatan integer dari parameter `eval_steps`.	Integer	Jumlah langkah pelatihan setelah itu checkpoint disimpan.
`save_total_limit`	1	10	Integer	Jumlah maksimum checkpoint yang disimpan untuk ekspor.

Hiperparameter untuk model generasi video

Hiperparameter ini hanya berlaku untuk model generasi video (seri Wan). Jika performa model buruk atau pelatihan gagal konvergen, pertimbangkan untuk menyesuaikan n_epochs atau learning_rate. Disarankan minimal 800 langkah pelatihan total.

Parameter	Tipe	Wajib	Deskripsi	Nilai yang direkomendasikan
batch_size	int	Ya	Ukuran batch. Jumlah sampel data yang diproses dalam satu iterasi pelatihan. wan2.7-i2v: Direkomendasikan `1`. wan2.6-i2v: Direkomendasikan `1`. wan2.5-i2v-preview: Direkomendasikan `4`. wan2.2-i2v-flash: Direkomendasikan `4`. wan2.2-kf2v-flash: Direkomendasikan `4`.	Bervariasi tergantung model
n_epochs	int	Ya	Jumlah epoch pelatihan. Total langkah dihitung sebagai: langkah = n_epochs × ⌈ukuran dataset / batch_size⌉. Disarankan minimal 800 langkah total. Contoh: Jika dataset memiliki 5 sampel dan `batch_size` = `2`, langkah per epoch = ⌈5/2⌉ = 3. Minimum `n_epochs` adalah 800/3 ≈ 267.	400
learning_rate	float	Ya	Tingkat pembelajaran. Mengontrol besarnya pembaruan bobot model selama pelatihan. Nilai terlalu tinggi dapat menurunkan performa model, sedangkan nilai terlalu rendah mungkin menghasilkan perubahan tidak signifikan.	2e-5
eval_epochs	int	Ya	Interval validasi. Interval, dalam epoch, untuk melakukan validasi dan menyimpan checkpoint. Nilainya harus ≥ `n_epochs/10`.	50
max_pixels	int	Ya	Resolusi maksimum untuk video pelatihan (total piksel = lebar × tinggi). Sistem hanya mengubah ukuran video yang melebihi nilai ini. wan2.7-i2v: Direkomendasikan `102400`. Rentang: `36864`–`102400`. wan2.6-i2v: Direkomendasikan `36864`. Rentang: `16384`–`36864`. wan2.5-i2v-preview: Direkomendasikan `36864`. Rentang: `16384`–`36864`. wan2.2-i2v-flash: Direkomendasikan `262144`. Rentang: `65536`–`262144`. wan2.2-kf2v-flash: Direkomendasikan `262144`. Rentang: `65536`–`262144`.	Bervariasi tergantung model
split	float	Tidak	Rasio pemisahan set pelatihan. Proporsi dataset yang digunakan untuk pelatihan, dengan rentang valid (0, 1). Parameter ini diabaikan jika `validation_file_ids` ditentukan.	0.9
max_split_val_dataset_sample	int	Tidak	Jumlah sampel maksimum untuk set validasi auto-split. Ukuran set validasi adalah nilai terkecil dari dua hal: hasil total_sampel × (1 − split) atau nilai parameter ini.	5
save_total_limit	int	Tidak	Batas penyimpanan checkpoint. Jumlah maksimum checkpoint terbaru yang disimpan. Sistem menghapus checkpoint lama setelah batas ini terlampaui.	10
lora_rank	int	Tidak	Rank LoRA. Rank (dimensi) matriks low-rank LoRA. Harus merupakan pangkat 2 (2ⁿ), seperti 16, 32, atau 64.	32
lora_alpha	int	Tidak	Alpha LoRA. Faktor penskalaan untuk bobot LoRA. Harus merupakan pangkat 2 (2ⁿ), seperti 16, 32, atau 64.	32

Hiperparameter untuk model generasi gambar

Model generasi gambar menggunakan max_steps dan eval_steps untuk mengontrol total langkah pelatihan dan interval validasi, berbeda dengan model video yang menggunakan n_epochs dan eval_epochs. Jika model berperforma buruk atau gagal konvergen, pertimbangkan untuk menyesuaikan max_steps atau learning_rate.

Parameter	Tipe	Wajib	Deskripsi	Nilai yang direkomendasikan
max_steps	int	Ya	Total langkah pelatihan. Parameter inti yang menentukan jumlah total iterasi pelatihan. Disarankan minimal 500 langkah untuk memastikan konvergensi model, dengan nilai lebih tinggi untuk dataset yang lebih besar.	800
eval_steps	int	Ya	Interval validasi. Nilainya harus ≥ 0 dan menentukan frekuensi evaluasi model selama pelatihan (dalam satuan langkah). Checkpoint juga disimpan pada setiap interval tersebut.	200
learning_rate	float	Ya	tingkat pembelajaran. Mengontrol besarnya pembaruan bobot model. Nilai terlalu tinggi dapat menurunkan performa model, sedangkan nilai terlalu rendah mungkin tidak menghasilkan perubahan signifikan. Disarankan menggunakan nilai default.	3e-5
generation_type	string	Ya	mode generasi. Gunakan `"t2i"` untuk teks-ke-gambar atau `"i2i"` untuk gambar-ke-gambar. Pengaturan ini menentukan format data pelatihan dan metode inferensi.	t2i
max_pixels	string	Ya	Resolusi maksimum untuk gambar pelatihan. Misalnya, "1k" atau "2k" (1K = 1024×1024, 2K = 2048×2048). Menetapkan batas atas jumlah total piksel (lebar × tinggi) untuk gambar dalam set pelatihan. Sistem hanya memperkecil gambar yang melebihi nilai ini; gambar di bawah batas tetap tidak berubah. Disarankan menjaga konsistensi tiga parameter terkait resolusi (`max_pixels`, `max_token_length`, dan `val_img_size`).	teks-ke-gambar: "2k" gambar-ke-gambar: "1k"
val_img_size	string	Ya	Resolusi generasi gambar validasi. Misalnya, "1k" atau "2k" (1K = 1024×1024, 2K = 2048×2048). Merupakan resolusi target untuk gambar yang dihasilkan selama evaluasi validasi.	teks-ke-gambar: "2k" gambar-ke-gambar: "1k"
max_token_length	string	Ya	Panjang token maksimum per langkah. Misalnya, "1k" atau "2k". Parameter ini, bersama dengan `max_steps`, mengontrol proses pelatihan: `max_steps` menentukan jumlah iterasi, sedangkan `max_token_length` menentukan jumlah data yang diproses dalam setiap langkah.	teks-ke-gambar: "2k" gambar-ke-gambar: "1k"
gradient_clip	float	Ya	pemotongan gradien. Ambang batas untuk pemotongan norma gradien global di seluruh parameter yang dapat dilatih, digunakan untuk mencegah exploding gradients. Atur ke -1 untuk menonaktifkan pemotongan.	0.5
weight_decay	float	Ya	peluruhan bobot. Koefisien peluruhan bobot terpisah untuk pengoptimal AdamW. Diterapkan pada semua parameter yang dapat dilatih dan digunakan sebagai regularisasi untuk mencegah overfitting.	0.02
lora_rank	int	Ya	Rank LoRA. Rank (dimensi) matriks low-rank LoRA. Nilai ini menentukan jumlah parameter yang dapat dilatih untuk fine-tuning. Nilai yang lebih besar meningkatkan kemampuan fitting model tetapi memperlambat pelatihan. Nilainya harus merupakan pangkat 2 (misalnya, 16, 32, 64).	32
save_total_limit	int	Tidak	Batas penyimpanan checkpoint. Jumlah maksimum checkpoint model yang disimpan. Sistem hanya menyimpan N checkpoint terbaru, di mana N adalah nilai parameter ini.	10
split	float	Tidak	Rasio pemisahan set pelatihan. Rentang nilainya (0, 1). Parameter ini hanya berlaku jika `validation_file_ids` tidak ditentukan, dan digunakan untuk secara otomatis membagi sebagian set pelatihan sebagai set validasi. Contohnya, nilai 0.9 berarti 90% data digunakan sebagai set pelatihan dan 10% sebagai set validasi.	0.9

Contoh respons

Model generasi teks

{
          "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"
          }
      }

Model generasi video

Fokus pada output.job_id (ID pekerjaan) dan output.finetuned_output (nama model hasil fine-tuning, digunakan untuk penerapan).

{
    "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": 400,
            "batch_size": 4,
            "learning_rate": 2.0E-5,
            "split": 0.9,
            "eval_epochs": 50
        },
        "training_type": "efficient_sft",
        "create_time": "2025-11-11 11:22:22"
    }
}

Model generasi gambar

Fokus pada output.job_id (ID pekerjaan) dan output.finetuned_output (nama model hasil fine-tuning, digunakan untuk penerapan).

{
    "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"
    }
}

Parameter respons

Parameter	Tipe	Deskripsi
request_id	String	ID permintaan.
output	Object	Detail pekerjaan fine-tuning.
output.job_id	String	ID pekerjaan fine-tuning. Anda dapat menggunakan ID ini dengan API lain, seperti menanyakan detail pekerjaan fine-tuning, menanyakan log pekerjaan fine-tuning, membatalkan pekerjaan fine-tuning, dan menghapus pekerjaan fine-tuning. Format: `ft-{yyyyMMddHHmm}-{4-karakter ID}`.
output.job_name	String	Sama dengan `output.job_id`.
output.status	String	Status pekerjaan.
output.model	String	ID model yang difine-tune.
output.base_model	String	ID model dasar yang digunakan untuk fine-tuning. Contoh: Untuk pekerjaan fine-tuning `ft-202410291653-1c7f`, model dasarnya adalah `qwen3-14b`.
output.training_file_ids	Array	Array ID file fine-tuning.
output.validation_file_ids	Array	Array ID file validasi.
output.hyper_parameters	Object	Hiperparameter yang secara eksplisit diatur untuk pekerjaan.
output.training_type	String	Metode fine-tuning.
output.create_time	String	Waktu pembuatan pekerjaan fine-tuning.
output.workspace_id	String	ID ruang kerja yang berisi pekerjaan fine-tuning.
output.user_identity	String	UID akun utama pemilik.
output.modifier	String	UID akun yang terakhir memodifikasi pekerjaan. Contoh: Jika sub-akun membatalkan pekerjaan, bidang ini mengembalikan UID sub-akun tersebut.
output.creator	String	UID pengguna yang membuat pekerjaan.
output.group	String	Kategori pekerjaan fine-tuning.

Status Pekerjaan	Deskripsi
PENDING	Pekerjaan fine-tuning sedang menunggu untuk dimulai.
QUEUING	Pekerjaan fine-tuning sedang dalam antrian. (Hanya satu pekerjaan fine-tuning yang dapat berjalan sekaligus.)
RUNNING	Pekerjaan fine-tuning sedang berjalan.
CANCELING	Pekerjaan fine-tuning sedang dibatalkan.
SUCCEEDED	Pekerjaan fine-tuning berhasil.
FAILED	Pekerjaan fine-tuning gagal.
CANCELED	Pekerjaan fine-tuning telah dibatalkan.

Kode kesalahan permintaan

Dikembalikan ketika permintaan gagal.

Parameter	Tipe	Deskripsi	Contoh
code	String	Kode kesalahan.	NotFound
request_id	String	ID unik yang dihasilkan sistem untuk permintaan ini.	6332fb02-3111-43f0-bf79-f9e8c5ffa7f9
message	String	Pesan kesalahan.	Not Found!

Contoh respons

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

Kode kesalahan

Kode status HTTP	Kode kesalahan	Contoh	Deskripsi	Solusi
400	InvalidParameter	Missing training files	Parameter tidak valid karena parameter wajib hilang atau nilainya memiliki format yang salah.	Periksa pesan kesalahan dan perbaiki parameter dalam permintaan Anda.
400	UnsupportedOperation	Pekerjaan fine-tune tidak dapat dihapus karena sudah berhasil, gagal, atau dibatalkan.	Sumber daya berada dalam kondisi yang tidak memungkinkan operasi ini dilakukan.	Lakukan kembali operasi setelah sumber daya berada dalam kondisi operasional.
404	NotFound	Not found!	Sumber daya yang diminta tidak ditemukan.	Verifikasi bahwa ID sumber daya yang digunakan benar.
409	Conflict	Instans model xxxxx sudah ada, harap tentukan sufiks	Instans penerapan dengan nama yang ditentukan telah ada.	Tentukan sufiks unik untuk penerapan tersebut.
429	Throttling	Terlalu banyak pekerjaan fine-tune sedang berjalan. Harap coba lagi nanti. Setiap pengguna hanya dapat memiliki maksimal 20 pekerjaan fine-tune yang sedang berjalan atau telah berhasil.	Permintaan ditolak karena batas platform telah tercapai.	Hapus model yang tidak digunakan.
500	InternalError	Internal server error!	Terjadi kesalahan internal pada server.	Catat request_id dan kirimkan tiket ke dukungan Alibaba Cloud untuk troubleshooting.