All Products
Search

This Product

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

    Document Center

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

    Last Updated:Oct 14, 2026

    Lakukan fine-tune model Qwen di Model Studio melalui API (HTTP) atau CLI (shell). Tiga metode fine-tuning didukung: supervised fine-tuning (SFT), continual pre-training (CPT), dan direct preference optimization (DPO).

    Prasyarat

    CatatanAPI 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())

    import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.files.*;

import java.nio.file.Path;
import java.nio.file.Paths;

public class Main {
    public static void main(String[] args) {
        // Buat klien dan gunakan kunci API dari variabel lingkungan.
        OpenAIClient client = OpenAIOkHttpClient.builder()
                // Kunci API untuk wilayah Singapura dan China (Beijing) berbeda. Dapatkan Kunci API: https://www.alibabacloud.com/help/en/model-studio/get-api-key
                .apiKey(System.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
                .baseUrl("https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1")
                .build();
        // Atur jalur file. Ubah jalur dan nama file sesuai kebutuhan.
        Path filePath = Paths.get("src/main/java/org/example/test.txt");
        // Buat parameter unggah file.
        FileCreateParams params = FileCreateParams.builder()
                .file(filePath)
                .purpose(FilePurpose.of("fine-tune"))
                .build();

        // Unggah file.
        FileObject fileObject = client.files().create(params);
        System.out.println(fileObject);
    }
}

    # ======= Penting =======
# Kunci API untuk wilayah Singapura dan China (Beijing) berbeda. Dapatkan Kunci API: https://www.alibabacloud.com/help/en/model-studio/get-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/files
# === Hapus komentar ini sebelum menjalankan ===

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/files \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
--form 'file=@"test.jsonl"' \
--form 'purpose="fine-tune"'

    CatatanBatasan:

    • 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

    Generasi teks

    Nama model

    Kode model

    Pelatihan full-parameter SFT (sft)

    Pelatihan efisien SFT (efficient_sft)

    Qwen3-14B

    qwen3-14b

    ×

    Didukung

    Pemahaman visual (Qwen-VL)

    Nama model

    Kode model

    Pelatihan full-parameter SFT (sft)

    Pelatihan efisien SFT (efficient_sft)

    -

    -

    -

    -

    China Utara 2 (Beijing)

    Generasi teks

    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

    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-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.

    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

    ParameterPengaturan 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.

    PeringatanPenagihan 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 (mendukungefficient_sft dan dpo_lora)

    CatatanKetika 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 untukefficient_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.

    CatatanSetelah 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

    CatatanField 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)

    CatatanSetelah 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"
    }
}'