Latih Model Video Wan Kustom dengan LoRA via API - Model Studio

Dokumen ini menyediakan referensi API lengkap untuk fine-tuning model image-to-video Wan.

Cakupan

Wilayah yang berlaku: Dokumen ini hanya berlaku untuk wilayah Singapura dalam mode penyebaran internasional. Anda harus menggunakan Kunci API dari wilayah ini.
Konfigurasi variabel lingkungan: Anda telah berhasil mendapatkan Kunci API dan mengonfigurasi Kunci API sebagai Variabel lingkungan (akan ditinggalkan dan digabung ke dalam konfigurasi Kunci API).
Persiapan:
- Anda telah membaca Panduan fine-tuning model dan memahami model yang didukung, langkah-langkah fine-tuning, format data, dan penagihan.
- Unduh set data sampel:
  - Image-to-video berdasarkan frame pertama: Set pelatihan, Set validasi.
  - Image-to-video berdasarkan frame pertama dan terakhir: Set pelatihan, Set validasi.

Unggah set data

Deskripsi API: Mengunggah set data lokal dalam format .zip ke Alibaba Cloud Model Studio untuk mendapatkan ID file unik (id).

Catatan

Saat Anda mengunggah paket zip menggunakan API, ukurannya harus ≤ 1 GB.

Titik akhir permintaan

POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/files
Content-type: multipart/form-data

Parameter permintaan

Field

Parameter passing

Type

Required

Description

Example

file

Body (form-data)

file

Yes

File set data lokal dalam format .zip.

Saat meneruskan parameter, gunakan format files=@"<file_path>". Jalur dapat berupa jalur relatif atau jalur mutlak.

@"./wan-i2v-training-dataset.zip"

purpose

Body (form-data)

string

Yes

Untuk pekerjaan fine-tuning, nilainya tetap fine-tune.

fine-tune

Parameter respons

Field	Type	Description	Example
id	string	ID file. Ini adalah ID unik file di platform. Gunakan ID ini untuk membuat pekerjaan fine-tuning.	file-ft-b2416bacc4d742xxxx
object	string	Jenis unggahan.	file
bytes	integer	Ukuran file yang diunggah dalam byte.	73310369
filename	string	Nama file.	wan-i2v-training-dataset.zip
purpose	string	Tujuan pekerjaan. Untuk pekerjaan fine-tuning, nilainya tetap fine-tune.	fine-tune
status	string	Status unggahan file. processed menunjukkan bahwa file berhasil diunggah.	processed
created_at	integer	Waktu pembuatan. Formatnya adalah Stempel waktu UNIX.	1766127125

Contoh permintaan

curl --location --request POST 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/files' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--form 'file=@"./wan-i2v-training-dataset.zip"' \
--form 'purpose="fine-tune"'

Contoh respons

Salin dan simpan id. Ini adalah ID unik untuk set data yang diunggah.

{
    "id": "file-ft-b2416bacc4d742xxxx",
    "object": "file",
    "bytes": 73310369,
    "filename": "wan-i2v-training-dataset.zip",
    "purpose": "fine-tune",
    "status": "processed",
    "created_at": 1766127125
}

Buat pekerjaan fine-tuning

Deskripsi API: Memulai pekerjaan fine-tuning model berdasarkan model dasar tertentu dan set data yang diunggah.

Titik akhir permintaan

POST https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes
Content-type: application/json

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
model	Body	string	Yes	Tentukan model dasar yang akan digunakan untuk fine-tuning. Image-to-video - berdasarkan frame pertama: wan2.6-i2v, wan2.5-i2v-preview, wan2.2-i2v-flash Image-to-video - berdasarkan frame pertama dan terakhir: wan2.2-kf2v-flash	wan2.5-i2v-preview
training_file_ids	Body	array[string]	Yes	Array ID file set pelatihan. Anda dapat meneruskan beberapa ID.	["file-ft-b2416bacc4d742xxxx"]
validation_file_ids	Body	array[string]	No	Array ID file set validasi. Anda dapat meneruskan beberapa ID. Jika Anda tidak memberikan parameter ini, sistem secara otomatis membagi set pelatihan.	-
training_type	Body	string	Yes	Jenis fine-tuning. Saat ini, hanya `efficient_sft` (fine-tuning efisien LoRA) yang didukung.	efficient_sft
hyper_parameters	Body	object	No	Pengaturan hiperparameter.	Lihat tabel di bawah

Hiperparameter (hyper_parameters)

Untuk pelatihan pertama Anda, gunakan hiperparameter default. Jika kinerja model buruk atau pelatihan tidak konvergen, sesuaikan parameter seperti n_epochs atau learning_rate.

Field	Type	Required	Description	Default
batch_size	int	Yes	Ukuran batch. Jumlah entri data yang dikirim ke model untuk pelatihan sekaligus. wan2.6-i2v: Gunakan nilai default, yang tetap 2. wan2.5-i2v-preview: Gunakan nilai default, yang tetap 2. wan2.2-i2v-flash: Gunakan nilai default, yang tetap 4. wan2.2-kf2v-flash: Gunakan nilai default, yang tetap 4.	wan2.6: 2 wan2.5: 2 wan2.2: 4
n_epochs	int	Yes	Jumlah epoch pelatihan. Jumlah total langkah pelatihan ditentukan oleh jumlah epoch (n_epochs), ukuran set data, dan ukuran batch. Rumusnya adalah: steps = n_epochs × ceiling(dataset_size / batch_size). Untuk memastikan model dilatih sepenuhnya, jumlah total langkah pelatihan harus minimal 800. Perkirakan jumlah minimum epoch yang disarankan menggunakan rumus ini: `n_epochs = 800 / ceiling(dataset_size / batch_size)`. Contoh: Jika set data memiliki 5 entri dan batch_size adalah 2, jumlah langkah per epoch adalah ceiling(5/2) = 3. Jumlah minimum epoch yang diperlukan adalah n_epochs = 800 / 3 ≈ 267. Ini adalah nilai minimum yang disarankan. Anda dapat menambahkannya sesuai kebutuhan.	400
learning_rate	float	Yes	Learning rate. Mengontrol besarnya pembaruan bobot model. Nilai yang terlalu tinggi dapat menurunkan kualitas model. Nilai yang terlalu rendah dapat menghasilkan perubahan yang tidak signifikan. Gunakan nilai default.	2e-5
eval_epochs	int	Yes	Interval validasi. Nilainya harus ≥ `n_epochs/10`. Jumlah epoch antara evaluasi validasi selama pelatihan. Ini digunakan untuk menilai kinerja pelatihan model secara berkala.	50
max_pixels	int	Yes	Resolusi maksimum untuk video pelatihan. Menetapkan batas pada jumlah total piksel (lebar × tinggi) untuk video input dalam set pelatihan. Sistem hanya menskalakan video yang melebihi nilai ini. Video yang tidak melebihi batas tetap tidak berubah. wan2.6-i2v: Default adalah 36864. Rentang nilai: 16384 (128×128) hingga 36864 (192×192). wan2.5-i2v-preview: Default adalah 36864. Rentang nilai: 16384 (128×128) hingga 36864 (192×192). wan2.2-i2v-flash: Default adalah 262144. Rentang nilai: 65536 (256×256) hingga 262144 (512×512). wan2.2-kf2v-flash: Default adalah 262144. Rentang nilai: 65536 (256×256) hingga 262144 (512×512).	wan2.6: 36864 wan2.5: 36864 wan2.2: 262144
split	float	No	Rasio pemisahan set pelatihan. Nilainya harus dalam rentang (0, 1). Parameter ini hanya berlaku jika `validation_file_ids` tidak ditentukan. Parameter ini digunakan untuk secara otomatis membagi set validasi dari set pelatihan berdasarkan rasio. Misalnya, 0.9 berarti 90% untuk set pelatihan dan 10% untuk set validasi. Ukuran akhir set validasi juga dibatasi oleh `max_split_val_dataset_sample`.	0.9
max_split_val_dataset_sample	int	No	Jumlah maksimum sampel untuk set validasi yang secara otomatis dipisahkan dari set pelatihan. Nilainya harus ≥ 1. Parameter ini hanya berlaku jika `validation_file_ids` tidak ditentukan. Parameter ini menentukan jumlah maksimum set validasi: `Ukuran set validasi = min(Ukuran total set data × (1 − split), max_split_val_dataset_sample)` Contoh: Jika set data memiliki 100 entri, split adalah 0.9 (artinya 10% untuk validasi), dan max_split_val_dataset_sample adalah 5. Ukuran set validasi yang dihitung adalah 10 (100 × 0.1), tetapi karena batas atasnya adalah 5, hanya 5 entri yang digunakan untuk set validasi.	5
save_total_limit	int	No	Batas penyimpanan checkpoint. Membatasi jumlah maksimum model yang disimpan. Sistem selalu hanya menyimpan N checkpoint terakhir yang dihasilkan selama pelatihan, di mana N adalah nilai parameter ini.	20
lora_rank	int	No	Dimensi matriks low-rank LoRA. Gunakan nilai default. Nilai ini menentukan jumlah parameter fine-tuning. Nilai yang lebih besar meningkatkan kemampuan fitting model tetapi memperlambat pelatihan. Nilainya harus merupakan pangkat dari 2 (seperti 16, 32, atau 64).	32
lora_alpha	int	No	Faktor penskalaan untuk bobot LoRA. Gunakan nilai default. Ini digunakan untuk menyesuaikan pengaruh parameter fine-tuned terhadap bobot model asli (biasanya digunakan bersama lora_rank). Nilainya harus merupakan pangkat dari 2 (seperti 16, 32, atau 64).	32

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	Detail tugas.	-
output.job_id	string	ID unik pekerjaan fine-tuning model. Gunakan ID ini untuk menanyakan status pekerjaan nanti.	ft-202511111122-xxxx
output.job_name	string	Nama pekerjaan fine-tuning model.	ft-202511111122-xxxx
output.status	string	Status pekerjaan fine-tuning: PENDING: Menunggu pelatihan. QUEUING: Pelatihan sedang dalam antrian. Hanya satu pekerjaan pelatihan yang dapat berjalan sekaligus. RUNNING: Pelatihan sedang berlangsung. CANCELING: Pelatihan sedang dibatalkan. SUCCEEDED: Pelatihan berhasil. FAILED: Pelatihan gagal. CANCELED: Pelatihan dibatalkan.	PENDING
output.finetuned_output	string	Nama model baru yang dihasilkan setelah fine-tuning. Anda memerlukan nama ini untuk penerapan dan pemanggilan.	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model	string	Model dasar yang digunakan.	wan2.5-i2v-preview
output.base_model	string	Model dasar yang digunakan.	wan2.5-i2v-preview
output.training_file_ids	array	Daftar ID file set pelatihan yang digunakan.	["file-ft-b2416bacc4d742xxxx"]
output.validation_file_ids	array	Daftar ID file set validasi yang digunakan. Jika tidak ada set validasi yang diunggah, ini adalah daftar kosong.	[]
output.hyper_parameters	object	Hiperparameter yang benar-benar digunakan.	{...}
output.training_type	string	Metode pelatihan untuk fine-tuning model. Nilainya tetap efficient_sft.	efficient_sft
output.create_time	string	Waktu pembuatan tugas.	2025-11-11 11:22:22
output.workspace_id	string	ID ruang kerja tempat Kunci API Model Studio milik. Untuk informasi lebih lanjut, lihat Dapatkan ID Ruang Kerja.	llm-xxxxxxxxx
output.user_identity	string	Identitas pengguna, yaitu ID akun Alibaba Cloud.	12xxxxxxx
output.modifier	string	ID akun Alibaba Cloud pengguna yang melakukan modifikasi.	12xxxxxxx
output.creator	string	ID akun Alibaba Cloud pengguna yang membuat pekerjaan.	12xxxxxxx
output.group	string	Grup pekerjaan fine-tuning model.	llm
output.max_output_cnt	integer	Jumlah maksimum checkpoint yang disimpan selama pelatihan. Ini setara dengan nilai parameter hiperparameter save_total_limit.	8

Contoh permintaan

Ganti <replace_with_training_dataset_file_id> dengan ID file yang diperoleh pada langkah Unggah set data.

Image-to-video - berdasarkan frame pertama

Model Wan2.6

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.6-i2v",
    "training_file_ids":[
        "<replace_with_training_dataset_file_id>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":2,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 50,
        "max_pixels": 36864
    }
}'

Model Wan2.5

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.5-i2v-preview",
    "training_file_ids":[
        "<replace_with_training_dataset_file_id>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":2,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 50,
        "max_pixels": 36864
    }
}'

Model Wan2.2

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.2-i2v-flash",
    "training_file_ids":[
        "<replace_with_training_dataset_file_id>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":4,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 50,
        "max_pixels": 262144
    }
}'

Image-to-video - berdasarkan frame pertama dan terakhir

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.2-kf2v-flash",
    "training_file_ids":[
        "<replace_with_training_dataset_file_id>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":4,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 50,
        "max_pixels": 262144
    }
}'

Unggah beberapa set pelatihan dan validasi

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.5-i2v-preview",
    "training_file_ids":[
        "<replace_with_training_set_file_id_1>",
        "<replace_with_training_set_file_id_2>"
    ],
    "validation_file_ids":[
         "<replace_with_validation_set_file_id_1>",
         "<replace_with_validation_set_file_id_2>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":2,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 50,
        "max_pixels": 36864
    }
}'

Contoh respons

Catat dua parameter ini: output.job_id (ID Pekerjaan) dan output.finetuned_output (Nama model fine-tuned).

{
    "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": 2,
            "learning_rate": 2.0E-5,
            "split": 0.9,
            "eval_epochs": 50
        },
        "training_type": "efficient_sft",
        "create_time": "2025-11-11 11:22:22",
        "workspace_id": "llm-xxxxxxxxx",
        "user_identity": "12xxxxxxx",
        "modifier": "12xxxxxxx",
        "creator": "12xxxxxxx",
        "group": "llm",
        "max_output_cnt": 20
    }
}

Periksa status pekerjaan fine-tuning

Deskripsi API: Memeriksa kemajuan pekerjaan fine-tuning menggunakan job_id. Lakukan polling pada titik akhir ini. Ketika status pekerjaan berubah menjadi SUCCEEDED, pelatihan model selesai.

Catatan

Pekerjaan fine-tuning dalam contoh ini memerlukan waktu beberapa jam untuk pelatihan. Durasi spesifik tergantung pada model dasar.

Titik akhir permintaan

GET https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/{job_id}

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
job_id	Path parameter	string	Yes	ID pekerjaan fine-tuning.	ft-202511111122-xxxx

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	Detail tugas.	-
output.job_id	string	ID unik pekerjaan fine-tuning model. Gunakan ID ini untuk menanyakan status pekerjaan nanti.	ft-202511111122-xxxx
output.job_name	string	Nama pekerjaan fine-tuning model.	ft-202511111122-xxxx
output.status	string	Status pekerjaan fine-tuning. PENDING: Menunggu pelatihan. QUEUING: Pelatihan sedang dalam antrian. Hanya satu pekerjaan pelatihan yang dapat berjalan sekaligus. RUNNING: Pelatihan sedang berlangsung. CANCELING: Pelatihan sedang dibatalkan. SUCCEEDED: Pelatihan berhasil. FAILED: Pelatihan gagal. CANCELED: Pelatihan dibatalkan.	PENDING
output.finetuned_output	string	Nama model baru yang dihasilkan setelah fine-tuning.	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model	string	Model dasar yang digunakan.	wan2.5-i2v-preview
output.base_model	string	Model dasar yang digunakan.	wan2.5-i2v-preview
output.training_file_ids	array	Daftar ID file set pelatihan yang digunakan.	["file-ft-b2416bacc4d742xxxx"]
output.validation_file_ids	array	Daftar ID file set validasi yang digunakan. Jika tidak ada set validasi yang diunggah, ini adalah daftar kosong.	[]
output.hyper_parameters	object	Hiperparameter yang benar-benar digunakan.	{...}
output.training_type	string	Metode pelatihan untuk fine-tuning model. Nilainya tetap efficient_sft.	efficient_sft
output.create_time	string	Waktu pembuatan pekerjaan fine-tuning.	2025-11-11 11:22:22
output.end_time	string	Waktu penyelesaian pekerjaan fine-tuning.	2025-11-11 16:49:01
output.workspace_id	string	ID ruang kerja tempat Kunci API Model Studio milik. Untuk informasi lebih lanjut, lihat Dapatkan ID Ruang Kerja.	llm-xxxxxxxxx
output.user_identity	string	Identitas pengguna, yaitu ID akun Alibaba Cloud.	12xxxxxxx
output.modifier	string	ID akun Alibaba Cloud pengguna yang melakukan modifikasi.	12xxxxxxx
output.creator	string	ID akun Alibaba Cloud pengguna yang membuat pekerjaan.	12xxxxxxx
output.group	string	Grup pekerjaan fine-tuning model.	llm
output.max_output_cnt	integer	Jumlah maksimum checkpoint yang disimpan. Ini setara dengan nilai parameter hyperparameter `save_total_limit`.	8
output.output_cnt	integer	Jumlah aktual checkpoint yang disimpan. Nilai ini kurang dari atau sama dengan `output.max_output_cnt`.	8
output.usage	integer	Jumlah total token yang dikonsumsi untuk pelatihan. Ini digunakan untuk penagihan pelatihan model.	432000

Contoh permintaan

Ganti <replace_with_fine_tuning_job_id> dalam URL dengan nilai job_id dari respons Buat pekerjaan fine-tuning.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

Contoh respons

Catat dua parameter ini: output.status (Status SUCCEEDED menunjukkan bahwa pelatihan selesai) dan output.usage (Jumlah total token yang dikonsumsi oleh pelatihan).

{
    "request_id": "9bbb953c-bef2-4b59-9fc5-xxxxxxxxx",
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "job_name": "ft-202511111122-xxxx",
        "status": "SUCCEEDED",
        "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": 2,
            "learning_rate": 2.0E-5,
            "split": 0.9,
            "eval_epochs": 50
        },
        "training_type": "efficient_sft",
        "create_time": "2025-11-11 11:22:22",
        "workspace_id": "llm-xxxxxxxxx",
        "user_identity": "xxxxxxxxx",
        "modifier": "xxxxxxxxx",
        "creator": "xxxxxxxxx",
        "end_time": "2025-11-11 16:49:01",
        "group": "llm",
        "usage": 432000,
        "max_output_cnt": 8,
        "output_cnt": 8
    }
}

Terapkan model

Deskripsi API: Menerbitkan model yang telah dilatih sebagai layanan API online. Sebelum memanggil API ini, Anda harus memeriksa status pekerjaan fine-tuning untuk memastikan bahwa status pekerjaan adalah SUCCEEDED.

Titik akhir permintaan

POST https://dashscope-intl.aliyuncs.com/api/v1/deployments
Content-Type: application/json

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
model_name	Body	string	Yes	Nama model yang akan diterapkan. Untuk menerapkan model yang dihasilkan oleh API fine-tuning: Gunakan nilai parameter `output.finetuned_output` dari respons operasi Buat pekerjaan fine-tuning. Untuk menerapkan model yang diekspor: Gunakan nilai parameter `output[].model_name` dari respons operasi Periksa detail model yang diekspor.	wan2.5-i2v-preview-ft-202511111122-xxxx
capacity	Body	integer	Yes	Jumlah instans model yang diterapkan. Kami merekomendasikan menyetel ini ke 1.	1
plan	Body	string	Yes	Metode penerapan. Untuk fine-tuning efisien LoRA, nilainya tetap `lora`.	lora
aigc_config	Body	object	Yes	Pengaturan prompt.	-
aigc_config.use_input_prompt	Body	boolean	Yes	Mengontrol logika pembuatan prompt untuk pemanggilan API. `false` (default): Mode pembuatan otomatis. Sistem mengabaikan prompt yang diteruskan dalam permintaan API dan menggunakan templat yang dikonfigurasi dalam dua parameter berikut untuk secara otomatis menghasilkan prompt. `true`: Mode input manual. Sistem langsung menggunakan prompt yang diteruskan dalam permintaan API. Parameter templat yang dikonfigurasi di bawah ini akan diabaikan.	false
aigc_config.prompt	Body	string	Yes	Templat prompt preset. Parameter ini hanya berlaku ketika `use_input_prompt=false`. Saat model dipanggil, sistem menganalisis gambar input, mengisi konten gambar ke dalam templat ini, dan secara otomatis menghasilkan deskripsi lengkap dengan instruksi efek. Catatan: Parameter ini secara otomatis menimpa parameter prompt yang diteruskan dalam API pemanggilan model.	Provide a video description based on the image content... Untuk informasi lebih lanjut, lihat Contoh permintaan
aigc_config.lora_prompt_default	Body	string	Yes	Templat prompt fallback. Parameter ini hanya berlaku ketika `use_input_prompt=false`. Jika pembuatan gagal menggunakan `aigc_config.prompt`, parameter ini digunakan untuk menghasilkan video.	Then the s86b5p money rain effect begins... Untuk informasi lebih lanjut, lihat Contoh permintaan

Tentang parameter aigc_config.prompt

Mengapa mengatur parameter ini?
Jika Anda tidak mengatur parameter ini, Anda harus menulis prompt lengkap secara manual setiap kali memanggil model. Setelah Anda mengatur parameter ini, Anda hanya perlu mengunggah gambar saat memanggil model fine-tuned. Sistem secara otomatis melengkapi instruksi efek berdasarkan parameter ini, dan Anda tidak perlu memasukkan prompt secara manual.

Bagaimana cara mengatur parameter ini?

Prompt = Instruksi (memberi tahu model apa yang harus dilakukan) + Templat output (menentukan format output) + Contoh (memungkinkan model belajar dari struktur contoh).

Provide a video description based on the image content. The description must include "Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her (him). The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain".
Output template:
The video begins with [subject description]. [Environment description]. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her (him). The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.
Example:
The video begins showing a young woman on a beach. Her hair is wet, dark brown, curly, and slightly messy. She has a bright smile on her face. The background shows rough waves and distant mountains. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she stretches her arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.

Untuk informasi lebih lanjut tentang templat output, lihat Anotasi video: Tulis prompt untuk video.

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	Detail tugas.	-
output.deployed_model	string	ID unik model yang diterapkan. Anda dapat menggunakannya untuk memeriksa status penerapan model atau memanggil model.	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model_name	string	Nama ID model.	wan2.5-i2v-preview-ft-202511111122-xxxx
output.status	string	Status penerapan: PENDING: Sedang menerapkan RUNNING: Berjalan FAILED: Penerapan gagal	PENDING
output.base_model	string	Model dasar yang digunakan.	wan2.5-i2v-preview
output.gmt_create	string	Waktu pembuatan tugas penerapan.	2025-11-11T17:46:53.294
output.gmt_modified	string	Waktu pembaruan tugas penerapan.	2025-11-11T17:46:53.294
output.workspace_id	string	ID ruang kerja tempat Kunci API Model Studio milik. Untuk informasi lebih lanjut, lihat Dapatkan ID Ruang Kerja.	llm-xxxxxxxxx
output.charge_type	string	Metode penagihan. post_paid menunjukkan bayar sesuai penggunaan.	post_paid
output.creator	string	ID akun Alibaba Cloud pengguna yang membuat tugas.	12xxxxxxx
output.modifier	string	ID akun Alibaba Cloud pengguna yang melakukan modifikasi.	12xxxxxxx
output.plan	string	Metode penerapan.	lora

Contoh permintaan

Ganti <replace_with_model_name> dengan nilai finetuned_output dari respons Buat pekerjaan fine-tuning.

Image-to-video - berdasarkan frame pertama

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<replace_with_model_name>",
    "aigc_config": {
        "use_input_prompt": false,
        "prompt": "Provide a video description based on the image content. The description must include the phrase “Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.“\nOutput Template:\nThe video begins with a shot of [subject description]. [Environment description]. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.\nExample:\nThe video begins showing a young woman standing in front of a brick wall covered with ivy. She has long, smooth reddish-brown hair, wearing a white sleeveless dress, a shiny silver necklace, and a smile on her face. The brick wall in the background is covered with green vines, appearing rustic and natural. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she stretches her arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.",
        "lora_prompt_default": "Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain."
    },
    "capacity": 1,
    "plan": "lora"
}'

Image-to-video - berdasarkan frame pertama dan terakhir

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<replace_with_model_name>",
    "aigc_config": {
        "use_input_prompt": false,
        "prompt": "Provide a video description based on the image content. The description must include the phrase “Then she/he begins the s86b5p transformation.“\nOutput Template:\nThe video begins with a shot of [subject description]. [Environment description]. Then she/he begins the s86b5p transformation.\nExample:\nThe video begins with a young woman in an outdoor setting. She has short, curly dark brown hair and a friendly smile. She is wearing a black Polo shirt with colorful floral embroidery. The background features green vegetation and distant mountains. Then she begins the s86b5p transformation.",
        "lora_prompt_default": "Then she/he begins the s86b5p transformation."
    },
    "capacity": 1,
    "plan": "lora"
}'

Contoh respons

Catat dua parameter ini: output.deployed_model (ID unik model yang diterapkan) dan output.status (status PENDING menunjukkan bahwa model sedang diterapkan).

{
    "request_id": "96020b2e-9072-4c8a-9981-xxxxxxxxx",
    "output": {
        "deployed_model": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "gmt_create": "2025-11-11T17:46:53.294",
        "gmt_modified": "2025-11-11T17:46:53.294",
        "status": "PENDING",
        "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "base_model": "wan2.5-i2v-preview",
        "workspace_id": "llm-xxxxxxxxx",
        "charge_type": "post_paid",
        "creator": "12xxxxxxx",
        "modifier": "12xxxxxxx",
        "plan": "lora"
    }
}

Periksa status penerapan model

Deskripsi API: Lakukan polling pada titik akhir ini untuk memeriksa status penerapan. Ketika status pekerjaan berubah menjadi RUNNING, model telah diterapkan.

Catatan

Proses penerapan model fine-tuned dalam contoh ini memerlukan waktu sekitar 5 hingga 10 menit.

Titik akhir permintaan

GET https://dashscope-intl.aliyuncs.com/api/v1/deployments/{deployed_model}

Parameter permintaan

Field

Parameter passing

Type

Required

Description

Example

deployed_model

Path parameter

string

Yes

ID unik model yang diterapkan.

Gunakan nilai parameter output.deployed_model dari respons Terapkan model.

wan2.5-i2v-preview-ft-202511111122-xxxx

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	Detail tugas.	-
output.deployed_model	string	ID unik model yang diterapkan. Gunakan ID ini untuk memanggil model nanti.	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model_name	string	Nama ID model.	wan2.5-i2v-preview-ft-202511111122-xxxx
output.status	string	Status penerapan: PENDING: Sedang menerapkan RUNNING: Berjalan ARREARS_DOWN: Layanan dihentikan karena Pembayaran tertunda ARREARS_RECOVERING: Memulihkan layanan setelah Pembayaran tertunda FAILED: Penerapan gagal OFFLINING: Mengambil layanan offline UPDATING: Meningkatkan atau menurunkan spesifikasi UPDATING_FAILED: Peningkatan atau penurunan spesifikasi gagal	RUNNING
output.base_model	string	Model dasar yang digunakan.	wan2.5-i2v-preview
output.gmt_create	string	Waktu pembuatan tugas penerapan.	2025-11-11T17:46:53.294
output.gmt_modified	string	Waktu pembaruan tugas penerapan.	2025-11-11T18:02:2
output.workspace_id	string	ID ruang kerja yang terkait dengan Kunci API Alibaba Cloud Model Studio. Untuk informasi lebih lanjut, lihat Dapatkan ID Ruang Kerja.	llm-xxxxxxxxx
output.charge_type	string	Metode penagihan. post_paid menunjukkan bayar sesuai penggunaan.	post_paid
output.creator	string	ID akun Alibaba Cloud pengguna yang membuat pekerjaan.	12xxxxxxx
output.modifier	string	ID akun Alibaba Cloud pengguna yang melakukan modifikasi.	12xxxxxxx
output.plan	string	Metode penerapan.	lora

Contoh permintaan

Ganti <replace_with_deployed_model> dengan nilai parameter output.deployed_model dari respons Terapkan model.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments/<replace_with_deployed_model>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

Contoh respons

Periksa bidang status. Ketika status berubah menjadi RUNNING, model telah diterapkan dan siap dipanggil.

{
    "request_id": "66d15f35-0772-409f-bc70-xxxxxxxxx",
    "output": {
        "deployed_model": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "gmt_create": "2025-11-11T17:46:53",
        "gmt_modified": "2025-11-11T18:02:24",
        "status": "RUNNING",
        "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "base_model": "wan2.5-i2v-preview",
        "workspace_id": "llm-xxxxxxxxx",
        "charge_type": "post_paid",
        "creator": "12xxxxxxx",
        "modifier": "12xxxxxxxx",
        "plan": "lora"
    }
}

Panggil model untuk menghasilkan video

Untuk informasi lebih lanjut tentang cara memanggil model LoRA fine-tuned, lihat Panggil model untuk menghasilkan video.

Manajemen checkpoint

1. Periksa daftar checkpoint

Deskripsi API: Mengambil daftar checkpoint yang berhasil menghasilkan video pratinjau dari set validasi. Checkpoint yang gagal validasi tidak tercantum.

Batasan: Panggil API ini hanya setelah fine-tuning model selesai. Jika tidak, daftar kosong akan dikembalikan.

Titik akhir permintaan

GET https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/{job_id}/validation-results

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
job_id	Path parameter	string	Yes	ID pekerjaan fine-tuning.	ft-202511111122-xxxx

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	array[string]	Daftar checkpoint.	-
output[].checkpoint	string	Nama checkpoint.	checkpoint-160

Contoh permintaan

Ganti <replace_with_fine_tuning_job_id> dalam URL dengan nilai job_id dari respons Buat pekerjaan fine-tuning.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/validation-results' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

Contoh respons

{
    "request_id": "da1310f5-5a21-4e29-99d4-xxxxxx",
    "output": [
        {
            "checkpoint": "checkpoint-160"
        },
        {
            "checkpoint": "checkpoint-20"
        },
        {
            "checkpoint": "checkpoint-40"
        },
        {
            "checkpoint": "checkpoint-60"
        }
    ]
}

2. Periksa hasil validasi checkpoint

Deskripsi API: Melihat video yang dihasilkan oleh checkpoint tertentu, seperti "checkpoint-160".

Titik akhir permintaan

GET https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/{job_id}/validation-details/{checkpoint}?page_no=1&page_size=10

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
job_id	Path parameter	string	Yes	ID pekerjaan fine-tuning.	ft-202511111122-xxxx
checkpoint	Path parameter	string	Yes	Nama checkpoint.	checkpoint-160
page_no	Query parameter	integer	No	Nomor halaman. Default adalah 1.	1
page_size	Query parameter	integer	No	Jumlah entri per halaman. Default adalah 10.	10

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	375b3ad0-d3fa-451f-b629-xxxxxxx
output	object	Hasil output.	-
output.page_no	integer	Nomor halaman.	1
output.page_size	integer	Jumlah entri per halaman.	10
output.total	integer	Jumlah total entri set validasi.	1
output.list	array[object]	Daftar set validasi.	-
output.list[].video_path	string	Video yang dihasilkan oleh checkpoint. video_path berlaku selama 24 jam. Unduh video tersebut segera.	https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.mp4?Expires=xxxx
output.list[].prompt	string	Prompt untuk data validasi. Ini diperoleh dari file anotasi data.jsonl set data.	The video begins with a young man sitting in a cafe...
output.list[].first_frame_path	string	URL gambar validasi. Sistem membaca gambar dari set data dan menghasilkan URL publik.	https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg

Contoh permintaan

<replace_with_fine_tuning_job_id>: Ganti placeholder ini dengan nilai job_id dari respons Buat pekerjaan fine-tuning.
<replace_with_selected_checkpoint>: Ganti placeholder ini dengan nama checkpoint yang dipilih, seperti "checkpoint-160".

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/validation-details/<replace_with_selected_checkpoint>?page_no=1&page_size=10' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

Contoh respons

video_path berlaku selama 24 jam. Unduh video tersebut dalam periode ini.

{
    "request_id": "375b3ad0-d3fa-451f-b629-xxxxxxx",
    "output": {
        "page_no": 1,
        "page_size": 10,
        "total": 1,
        "list": [
            {
                "video_path": "https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.mp4?Expires=xxxx",
                "prompt": "The video begins with a young man sitting in a cafe. He is wearing a beige Polo shirt, looking focused and slightly contemplative, with his fingers gently touching his chin. In front of him is a cup of hot coffee. The background is a wall with wooden stripes and a decorative sign. Then the s86b5p money rain effect begins, and countless enormous US dollar bills (beige with dark green patterns) pour down like a torrential rain, densely hitting and surrounding him. The bills continue to fall as he stretches his arms upward, neck slightly tilted back, with a surprised expression, completely immersed in this wild money rain.",
                "first_frame_path": "https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg"
            }
        ]
    }
}

3. Ekspor checkpoint

Deskripsi API: Mengekspor checkpoint sebagai model yang dapat diterapkan.

Titik akhir permintaan

GET https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/{job_id}/export/{checkpoint}?model_name={model_name}

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
job_id	Path parameter	string	Yes	ID pekerjaan fine-tuning.	ft-202511111122-xxxx
checkpoint	Path parameter	string	Yes	Nama checkpoint.	checkpoint-160
model_name	Query parameter	string	Yes	Nama model yang diekspor untuk ditampilkan di konsol. Nama ini harus unik secara global. Kami merekomendasikan menggunakan huruf, angka, garis bawah (_), dan tanda hubung (-). Catatan: Parameter ini hanya untuk tampilan di konsol. Nama sebenarnya dari model yang diekspor adalah nilai parameter `output[].model_name` dalam respons operasi Periksa detail model yang diekspor.	wan2.5-i2v-preview-ft-202511111122-xxxx

Parameter respons

Field

Type

Description

Example

request_id

string

ID unik permintaan.

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

boolean

Menunjukkan apakah permintaan ekspor berhasil diajukan.

true: Permintaan ekspor berhasil diajukan.
false: Permintaan ekspor gagal diajukan. Kami merekomendasikan agar Anda mencoba lagi.

true

Contoh permintaan

<replace_with_fine_tuning_job_id>: Ganti placeholder ini dengan nilai job_id dari respons Buat pekerjaan fine-tuning.
<replace_with_checkpoint_to_export>: Ganti placeholder ini dengan nilai checkpoint, seperti "checkpoint-160".
<replace_with_exported_model_name_for_console_display>: Ganti placeholder ini dengan nama model kustom. Nama ini hanya untuk tujuan tampilan di konsol.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/export/<replace_with_checkpoint_to_export>?model_name=<replace_with_exported_model_name_for_console_display>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

Contoh respons

{
    "request_id": "0817d1ed-b6b6-4383-9650-xxxxx",
    "output": true
}

4. Periksa detail model yang diekspor

Deskripsi API: Memeriksa status semua checkpoint untuk memastikan ekspor selesai dan mendapatkan nama model baru (model_name) untuk penerapan.

Titik akhir permintaan

GET https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/{job_id}/checkpoints

Parameter permintaan

Field	Parameter passing	Type	Required	Description	Example
job_id	Path parameter	string	Yes	ID pekerjaan fine-tuning.	ft-202511111122-xxxx

Parameter respons

Field	Type	Description	Example
request_id	string	ID unik permintaan.	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	array[object]	Detail daftar checkpoint.	-
output[].create_time	string	Waktu pembuatan.	2025-11-11T13:27:29
output[].job_id	string	ID pekerjaan fine-tuning.	ft-202511111122-xxxx
output[].checkpoint	string	Nama checkpoint.	checkpoint-160
output[].full_name	string	ID nama lengkap checkpoint.	ft-202511111122-496e-checkpoint-160
output[].model_name	string	Nama model yang diekspor. Ini digunakan untuk penerapan dan pemanggilan model. Ini dikembalikan ketika `status` adalah SUCCEEDED.	wan2.5-i2v-preview-ft-202511111122-xxxx-c160
output[].model_display_name	string	Nama tampilan model.	wan2.5-i2v-preview-ft-202511111122-xxxx
output[].status	string	Status ekspor model: PENDING: Dalam antrian PROCESSING: Sedang mengekspor SUCCEEDED: Ekspor berhasil FAILED: Ekspor gagal UNSUPPORTED: Ekspor tidak didukung	SUCCEEDED

Contoh permintaan

Ganti <replace_with_fine_tuning_job_id> dengan nilai job_id dari respons Buat pekerjaan fine-tuning.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/checkpoints' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

Contoh respons

Temukan checkpoint target dalam daftar yang dikembalikan, seperti checkpoint-160. Ketika statusnya berubah menjadi SUCCEEDED, ekspor berhasil. Anda harus mendapatkan dan menyimpan model_name, yang merupakan pengenal unik untuk penerapan dan pemanggilan model selanjutnya.

{
    "request_id": "b0e33c6e-404b-4524-87ac-xxxxxx",
    "output": [
         ......,
        {
            "create_time": "2025-11-11T13:42:31",
            "full_name": "ft-202511111122-496e-checkpoint-180",
            "job_id": "ft-202511111122-496e",
            "checkpoint": "checkpoint-180",
            "status": "PENDING" // Checkpoint yang belum diekspor, tidak memiliki field model_name
        },
        {
            "create_time": "2025-11-11T13:27:29",
            "full_name": "ft-202511111122-496e-checkpoint-160",
            "job_id": "ft-202511111122-496e",
            "checkpoint": "checkpoint-160",                             
            "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx-c160", // Field penting, digunakan untuk penerapan dan pemanggilan model
            "model_display_name": "wan2.5-i2v-preview-ft-202511111122-xxxx", 
            "status": "SUCCEEDED" // Checkpoint yang berhasil diekspor
        },
        ......
        
    ]
}

5. Terapkan dan panggil model

Setelah Anda berhasil mengekspor checkpoint dan mendapatkan model_name, lakukan langkah-langkah berikut:

Terapkan model: Untuk parameter input model_name, masukkan nilai yang Anda peroleh setelah ekspor.
Periksa status penerapan model
Panggil model untuk menghasilkan video

Manajemen pekerjaan fine-tuning

Periksa log pekerjaan fine-tuning

Contoh permintaan

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/logs' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

Contoh respons

{
    "request_id": "b7ecb456-6dd1-4f35-a581-xxxxxx",
    "output": {
        "total": 25,
        "logs": [
            "2025-11-11 11:23:37,315 - INFO - data process succeeded, start to fine-tune",
            " Actual number of consumed tokens is 215040 !",
            " Actual number of consumed tokens is 419840 !",
            " Actual number of consumed tokens is 624640 !",
            " Actual number of consumed tokens is 829440 !",
            " Actual number of consumed tokens is 1034240 !",
            " Actual number of consumed tokens is 1239040 !",
            " Actual number of consumed tokens is 1443840 !",
            " Actual number of consumed tokens is 1648640 !",
            " Actual number of consumed tokens is 1853440 !",
            " Actual number of consumed tokens is 2058240 !",
            " Actual number of consumed tokens is 2263040 !",
            " Actual number of consumed tokens is 2467840 !",
            " Actual number of consumed tokens is 2672640 !",
            " Actual number of consumed tokens is 2877440 !",
            " Actual number of consumed tokens is 3082240 !",
            " Actual number of consumed tokens is 3287040 !",
            " Actual number of consumed tokens is 3491840 !",
            " Actual number of consumed tokens is 3696640 !",
            " Actual number of consumed tokens is 3901440 !",
            "2025-11-11 16:31:40,760 - INFO - fine-tuned output got, start to transfer it for inference",
            "2025-11-11 16:32:29,162 - INFO - transfer for inference succeeded, start to deliver it for inference",
            "2025-11-11 16:40:28,784 - INFO - start to save checkpoint",
            "2025-11-11 16:49:01,738 - INFO - finetune-job succeeded",
            "2025-11-11 16:49:02,234 - INFO - ##FT_COMPLETE##"
        ]
    }
}

Periksa daftar pekerjaan fine-tuning

Contoh permintaan

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

Contoh respons

{
    "request_id": "bf4d3475-f50c-42e2-a263-xxxxxxxxx",
    "output": {
        "page_no": 1,
        "page_size": 10,
        "total": 1,
        "jobs": [
            {
                "job_id": "ft-202511111122-xxxx",
                "job_name": "ft-202511111122-xxxx",
                "status": "SUCCEEDED",
                "finetuned_output": "wan2.5-i2v-preview-ft-202511111122-xxxx",
                "model": "wan2.5-i2v-preview",
                "base_model": "wan2.5-i2v-preview",
                "training_file_ids": [
                    "xxxxxxxxx"
                ],
                "validation_file_ids": [],
                "hyper_parameters": {
                    "n_epochs": 400,
                    "batch_size": 2,
                    "learning_rate": 2.0E-5,
                    "split": 0.9,
                    "eval_epochs": 50
                },
                "training_type": "efficient_sft",
                "create_time": "2025-11-11 11:22:22",
                "workspace_id": "llm-xxxxxxxxx",
                "user_identity": "xxxxxxxxx",
                "modifier": "xxxxxxxxx",
                "creator": "xxxxxxxxx",
                "end_time": "2025-11-11 16:49:01",
                "group": "llm",
                "usage": 432000,
                "max_output_cnt": 8,
                "output_cnt": 8
            }
        ]
    }
}

Batalkan pekerjaan fine-tuning

Contoh permintaan

curl --location --request POST 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/cancel' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

Contoh respons

{
    "request_id": "d8dab938-e32e-40bf-83ab-xxxxxx",
    "output": {
        "status": "success"
    }
}

Hapus pekerjaan fine-tuning

Contoh permintaan

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

Contoh respons

{
    "request_id": "1301136c-12f2-4504-880a-xxxxxx",
    "output": {
        "status": "success"
    }
}

Manajemen model yang diterapkan

Hapus layanan model yang diterapkan

Penting

Setelah Anda melakukan operasi ini, layanan penerapan model segera diambil offline dan tidak dapat dipulihkan. Artinya:

Model tidak dapat dipanggil.
Penagihan untuk layanan penerapan dihentikan.

Contoh permintaan

curl --request DELETE 'https://dashscope-intl.aliyuncs.com/api/v1/deployments/<replace_with_deployed_model>' \
    --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
    --header 'Content-Type: application/json'

Contoh respons

Periksa parameter output.status. Nilai DELETING menunjukkan bahwa permintaan penghapusan berhasil diajukan dan layanan model sedang dihapus.

{
    "request_id": "c2ed2aa2-39b8-4a86-b79e-xxxxxx",
    "output": {
        "deployed_model": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "gmt_create": "2025-11-11T17:46:53",
        "gmt_modified": "2025-12-22T11:18:27.532",
        "status": "DELETING",
        "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "base_model": "wan2.5-i2v-preview",
        "workspace_id": "llm-xxxxxx",
        "charge_type": "post_paid",
        "creator": "xxxxxx",
        "modifier": "xxxxxx",
        "plan": "lora"
    }
}

Kemudian, panggil operasi Periksa status penerapan model untuk memverifikasi penghapusan. Jika konten berikut dikembalikan, layanan yang diterapkan tidak lagi ada dan penghapusan berhasil.

{
    "request_id": "eb619064-0c4£-4d29-aa49-xxxxxx",
    "message": "Not found.",
    "code": "NotFound"
}