すべてのプロダクト
Search

このプロダクト

    Alibaba Cloud Model Studio:動画生成モデルのファインチューニング API リファレンス

    ドキュメントセンター

    Alibaba Cloud Model Studio:動画生成モデルのファインチューニング API リファレンス

    最終更新日:Feb 12, 2026

    このドキュメントでは、Wan 画像動画生成モデルをファインチューニングするための完全な API リファレンスを提供します。

    適用範囲

    データセットのアップロード

    API の説明：ローカルのデータセットを .zip 形式で Alibaba Cloud Model Studio にアップロードし、一意のファイル ID (id) を取得します。

    説明

    API を使用して zip パッケージをアップロードする場合、そのサイズは 1 GB 以下である必要があります。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    file

    Body (form-data)

    file

    はい

    ローカルのデータセットファイル (.zip 形式)。

    パラメーターを渡す際は、files=@"<file_path>" の形式を使用します。パスは相対パスまたは絶対パスを指定できます。

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

    purpose

    Body (form-data)

    string

    はい

    ファインチューニングジョブの場合、値は fine-tune に固定されます。

    fine-tune

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    id

    string

    ファイル ID。これはプラットフォーム上でのファイルの一意の ID です。この ID を使用してファインチューニングジョブを作成します。

    file-ft-b2416bacc4d742xxxx

    object

    string

    アップロードタイプ。

    file

    bytes

    integer

    アップロードされたファイルのサイズ (バイト単位)。

    73310369

    filename

    string

    ファイル名。

    wan-i2v-training-dataset.zip

    purpose

    string

    ジョブの目的。ファインチューニングジョブの場合、値は fine-tune に固定されます。

    fine-tune

    status

    string

    ファイルアップロードのステータス。

    processed はファイルが正常にアップロードされたことを示します。

    processed

    created_at

    integer

    作成時間。形式は UNIX タイムスタンプです。

    1766127125

    リクエスト例

    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"'

    レスポンス例

    id をコピーして保存します。これはアップロードされたデータセットの一意の ID です。

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

    ファインチューニングジョブの作成

    API の説明：指定されたベースモデルとアップロードされたデータセットに基づいて、モデルのファインチューニングジョブを開始します。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    model

    Body

    string

    はい

    ファインチューニングに使用するベースモデルを指定します。

    • 最初のフレームに基づく画像から動画への変換： wan2.6-i2v, wan2.5-i2v-preview, wan2.2-i2v-flash

    • 最初と最後のフレームに基づく画像から動画への変換： wan2.2-kf2v-flash

    wan2.5-i2v-preview

    training_file_ids

    Body

    array[string]

    はい

    トレーニングセットのファイル ID の配列。複数の ID を渡すことができます。

    ["file-ft-b2416bacc4d742xxxx"]

    validation_file_ids

    Body

    array[string]

    いいえ

    検証セットのファイル ID の配列。複数の ID を渡すことができます。

    このパラメーターを指定しない場合、システムは自動的にトレーニングセットを分割します。

    -

    training_type

    Body

    string

    はい

    ファインチューニングタイプ。現在、efficient_sft (LoRA 効率的ファインチューニング) のみがサポートされています。

    efficient_sft

    hyper_parameters

    Body

    object

    いいえ

    ハイパーパラメーター設定。

    以下の表をご参照ください

    ハイパーパラメーター (hyper_parameters)

    最初のトレーニングでは、デフォルトのハイパーパラメーターを使用してください。モデルのパフォーマンスが低い、またはトレーニングが収束しない場合は、n_epochs や learning_rate などのパラメーターを調整してください。

    フィールド

    型

    必須

    説明

    デフォルト

    batch_size

    int

    はい

    バッチサイズ。

    一度にモデルに送信してトレーニングするデータエントリの数。

    • wan2.6-i2v：デフォルト値を使用します。2 に固定されています。

    • wan2.5-i2v-preview：デフォルト値を使用します。2 に固定されています。

    • wan2.2-i2v-flash：デフォルト値を使用します。4 に固定されています。

    • wan2.2-kf2v-flash：デフォルト値を使用します。4 に固定されています。

    wan2.6: 2

    wan2.5: 2

    wan2.2: 4

    n_epochs

    int

    はい

    トレーニングエポック数。

    トレーニングの総ステップ数は、エポック数 (n_epochs)、データセットサイズ、バッチサイズによって決まります。計算式は次のとおりです：ステップ数 = n_epochs × ceiling(データセットサイズ / バッチサイズ)。

    モデルが完全にトレーニングされるように、トレーニングの総ステップ数は少なくとも 800 にする必要があります。推奨される最小エポック数は、次の式を使用して推定します：n_epochs = 800 / ceiling(データセットサイズ / バッチサイズ)。

    例：データセットに 5 つのエントリがあり、batch_size が 2 の場合、エポックあたりのステップ数は ceiling(5/2) = 3 です。必要な最小エポック数は n_epochs = 800 / 3 ≈ 267 です。これは推奨される最小値であり、必要に応じて増やすことができます。

    400

    learning_rate

    float

    はい

    学習率。モデルの重み更新の大きさを制御します。

    学習率が高すぎるとモデルが劣化する可能性があり、低すぎると変化が微々たるものになる可能性があります。デフォルト値を使用してください。

    2e-5

    eval_epochs

    int

    はい

    検証間隔。値は n_epochs/10 以上である必要があります。

    トレーニング中の検証評価間のエポック数。モデルのトレーニングパフォーマンスを定期的に評価するために使用されます。

    50

    max_pixels

    int

    はい

    トレーニングビデオの最大解像度。

    トレーニングセット内の入力ビデオの総ピクセル数 (幅 × 高さ) に制限を設定します。システムは、この値を超えるビデオのみをスケーリングします。制限を超えないビデオは変更されません。

    • wan2.6-i2v：デフォルトは 36864。有効値：16384 (128×128) から 36864 (192×192)。

    • wan2.5-i2v-preview：デフォルトは 36864。有効値：16384 (128×128) から 36864 (192×192)。

    • wan2.2-i2v-flash：デフォルトは 262144。有効値：65536 (256×256) から 262144 (512×512)。

    • wan2.2-kf2v-flash：デフォルトは 262144。有効値：65536 (256×256) から 262144 (512×512)。

    wan2.6: 36864

    wan2.5: 36864

    wan2.2: 262144

    split

    float

    いいえ

    トレーニングセットの分割比率。値は (0, 1) の範囲内である必要があります。

    このパラメーターは、validation_file_ids が指定されていない場合にのみ有効です。

    このパラメーターは、トレーニングセットから検証セットを比率で自動的に分割するために使用されます。たとえば、0.9 はトレーニングセットに 90%、検証セットに 10% を意味します。検証セットの最終的なサイズは、max_split_val_dataset_sample によっても制限されます。

    0.9

    max_split_val_dataset_sample

    int

    いいえ

    トレーニングセットから自動分割される検証セットの最大サンプル数。値は 1 以上である必要があります。

    このパラメーターは、validation_file_ids が指定されていない場合にのみ有効です。

    このパラメーターは、検証セットの最大数を指定します：

    検証セットサイズ = min(データセット総サイズ × (1 − split), max_split_val_dataset_sample)

    例：データセットに 100 エントリがあり、split が 0.9 (検証用に 10% を意味する)、max_split_val_dataset_sample が 5 の場合。計算された検証セットサイズは 10 (100 × 0.1) ですが、上限が 5 であるため、検証セットには 5 エントリのみが使用されます。

    5

    save_total_limit

    int

    いいえ

    チェックポイントの保存上限。

    保存するモデルの最大数を制限します。システムは、トレーニング中に生成された最後の N 個のチェックポイントのみを常に保存します。ここで、N はこのパラメーターの値です。

    20

    lora_rank

    int

    いいえ

    LoRA 低ランク行列の次元。デフォルト値を使用してください。

    この値は、ファインチューニングパラメーターの数を決定します。値が大きいほどモデルの適合能力が向上しますが、トレーニングが遅くなります。

    値は 2 のべき乗 (16、32、64 など) である必要があります。

    32

    lora_alpha

    int

    いいえ

    LoRA の重みのスケーリング係数。デフォルト値を使用してください。

    これは、ファインチューニングされたパラメーターが元のモデルの重みに与える影響を調整するために使用されます (通常は lora_rank と一緒に使用されます)。

    値は 2 のべき乗 (16、32、64 など) である必要があります。

    32

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    object

    タスクの詳細。

    -

    output.job_id

    string

    モデルファインチューニングジョブの一意の ID。後でジョブのステータスをクエリするためにこの ID を使用します。

    ft-202511111122-xxxx

    output.job_name

    string

    モデルファインチューニングジョブの名前。

    ft-202511111122-xxxx

    output.status

    string

    ファインチューニングジョブのステータス：

    • PENDING：トレーニング保留中。

    • QUEUING：トレーニングはキューイングされています。一度に実行できるトレーニングジョブは 1 つだけです。

    • RUNNING：トレーニング進行中。

    • CANCELING：トレーニングをキャンセル中。

    • SUCCEEDED：トレーニング成功。

    • FAILED：トレーニング失敗。

    • CANCELED：トレーニングはキャンセルされました。

    PENDING

    output.finetuned_output

    string

    ファインチューニング後に生成された新しいモデルの名前。デプロイメントと呼び出しにこの名前が必要です。

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

    output.model

    string

    使用されたベースモデル。

    wan2.5-i2v-preview

    output.base_model

    string

    使用されたベースモデル。

    wan2.5-i2v-preview

    output.training_file_ids

    array

    使用されたトレーニングセットのファイル ID のリスト。

    ["file-ft-b2416bacc4d742xxxx"]

    output.validation_file_ids

    array

    使用された検証セットのファイル ID のリスト。検証セットがアップロードされていない場合は、空のリストになります。

    []

    output.hyper_parameters

    object

    実際に使用されたハイパーパラメーター。

    {...}

    output.training_type

    string

    モデルファインチューニングのトレーニング方法。値は efficient_sft に固定されます。

    efficient_sft

    output.create_time

    string

    タスク作成時間。

    2025-11-11 11:22:22

    output.workspace_id

    string

    Model Studio API キーが属するワークスペースの ID。

    詳細については、「ワークスペース ID の取得」をご参照ください。

    llm-xxxxxxxxx

    output.user_identity

    string

    ユーザー ID。Alibaba Cloud アカウント ID です。

    12xxxxxxx

    output.modifier

    string

    変更を行ったユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.creator

    string

    ジョブを作成したユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.group

    string

    モデルファインチューニングジョブのグループ。

    llm

    output.max_output_cnt

    integer

    トレーニング中に保存されたチェックポイントの最大数。

    これは、ハイパーパラメーター save_total_limit パラメーターの値に相当します。

    8

    リクエスト例

    「データセットのアップロード」ステップで取得したファイル ID で <replace_with_training_dataset_file_id> を置き換えます。

    最初のフレームに基づく画像から動画への変換

    Wan2.6 モデル

    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
    }
}'

    Wan2.5 モデル

    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
    }
}'

    Wan2.2 モデル

    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
    }
}'

    最初と最後のフレームに基づく画像から動画への変換

    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
    }
}'

    複数のトレーニングセットと検証セットのアップロード

    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
    }
}'

    レスポンス例

    次の 2 つのパラメーターに注意してください：output.job_id (ジョブ ID) と output.finetuned_output (ファインチューニング後のモデル名)。

    {
    "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
    }
}

    ファインチューニングジョブのステータスのクエリ

    API の説明：job_id を使用してファインチューニングジョブの進行状況をクエリします。このエンドポイントをポーリングします。ジョブの status が SUCCEEDED に変わると、モデルのトレーニングは完了です。

    説明

    この例のファインチューニングジョブは、トレーニングに数時間かかります。具体的な時間はベースモデルによって異なります。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    job_id

    パスパラメーター

    string

    はい

    ファインチューニングジョブ ID。

    ft-202511111122-xxxx

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    object

    タスクの詳細。

    -

    output.job_id

    string

    モデルファインチューニングジョブの一意の ID。後でジョブのステータスをクエリするためにこの ID を使用します。

    ft-202511111122-xxxx

    output.job_name

    string

    モデルファインチューニングジョブの名前。

    ft-202511111122-xxxx

    output.status

    string

    ファインチューニングジョブのステータス。

    • PENDING：トレーニング保留中。

    • QUEUING：トレーニングはキューイングされています。一度に実行できるトレーニングジョブは 1 つだけです。

    • RUNNING：トレーニング進行中。

    • CANCELING：トレーニングをキャンセル中。

    • SUCCEEDED：トレーニング成功。

    • FAILED：トレーニング失敗。

    • CANCELED：トレーニングはキャンセルされました。

    PENDING

    output.finetuned_output

    string

    ファインチューニング後に生成された新しいモデルの名前。

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

    output.model

    string

    使用されたベースモデル。

    wan2.5-i2v-preview

    output.base_model

    string

    使用されたベースモデル。

    wan2.5-i2v-preview

    output.training_file_ids

    array

    使用されたトレーニングセットのファイル ID のリスト。

    ["file-ft-b2416bacc4d742xxxx"]

    output.validation_file_ids

    array

    使用された検証セットのファイル ID のリスト。検証セットがアップロードされていない場合は、空のリストになります。

    []

    output.hyper_parameters

    object

    実際に使用されたハイパーパラメーター。

    {...}

    output.training_type

    string

    モデルファインチューニングのトレーニング方法。値は efficient_sft に固定されます。

    efficient_sft

    output.create_time

    string

    ファインチューニングジョブの作成時間。

    2025-11-11 11:22:22

    output.end_time

    string

    ファインチューニングジョブの完了時間。

    2025-11-11 16:49:01

    output.workspace_id

    string

    Model Studio API キーが属するワークスペースの ID。

    詳細については、「ワークスペース ID の取得」をご参照ください。

    llm-xxxxxxxxx

    output.user_identity

    string

    ユーザー ID。Alibaba Cloud アカウント ID です。

    12xxxxxxx

    output.modifier

    string

    変更を行ったユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.creator

    string

    ジョブを作成したユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.group

    string

    モデルファインチューニングジョブのグループ。

    llm

    output.max_output_cnt

    integer

    保存されたチェックポイントの最大数。

    これは、ハイパーパラメーター save_total_limit の値に相当します。

    8

    output.output_cnt

    integer

    実際に保存されたチェックポイントの数。

    この値は output.max_output_cnt 以下です。

    8

    output.usage

    integer

    トレーニングで消費されたトークンの総数。これはモデルトレーニングの課金に使用されます。

    432000

    リクエスト例

    URL 内の <replace_with_fine_tuning_job_id> を、「ファインチューニングジョブの作成」のレスポンスから得られる job_id の値で置き換えます。

    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'

    レスポンス例

    次の 2 つのパラメーターに注意してください：output.status (ステータスが SUCCEEDED であればトレーニング完了) と output.usage (トレーニングで消費されたトークンの総数)。

    {
    "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
    }
}

    モデルのデプロイ

    API の説明：トレーニング済みのモデルをオンライン API サービスとして公開します。この API を呼び出す前に、「ファインチューニングジョブのステータスのクエリ」でジョブの status が SUCCEEDED であることを確認する必要があります。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    model_name

    Body

    string

    はい

    デプロイするモデルの名前。

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

    capacity

    Body

    integer

    はい

    デプロイされたモデルインスタンスの数。1 に設定することを推奨します。

    1

    plan

    Body

    string

    はい

    デプロイ方法。LoRA 効率的ファインチューニングの場合、値は lora に固定されます。

    lora

    aigc_config

    Body

    object

    はい

    プロンプト設定。

    -

    aigc_config.use_input_prompt

    Body

    boolean

    はい

    API 呼び出しのプロンプト生成ロジックを制御します。

    • false (デフォルト)：自動生成モード。システムは API リクエストで渡されたプロンプトを無視し、次の 2 つのパラメーターで構成されたテンプレートを使用してプロンプトを自動生成します。

    • true：手動入力モード。システムは API リクエストで渡されたプロンプトを直接使用します。以下で構成されたテンプレートパラメーターは無視されます。

    false

    aigc_config.prompt

    Body

    string

    はい

    プリセットプロンプトテンプレート。

    このパラメーターは use_input_prompt=false の場合にのみ有効です。

    モデルが呼び出されると、システムは入力画像を分析し、画像の内容をこのテンプレートに埋め込み、効果の命令を含む完全な説明を自動生成します。

    注意：このパラメーターは、モデル呼び出し API で渡された prompt パラメーターを自動的に上書きします。

    画像の内容に基づいて動画の説明を提供してください...

    詳細については、「リクエスト例

    aigc_config.lora_prompt_default

    Body

    string

    はい

    フォールバックプロンプトテンプレート。

    このパラメーターは use_input_prompt=false の場合にのみ有効です。

    aigc_config.prompt を使用した生成が失敗した場合、このパラメーターが動画の生成に使用されます。

    そして s86b5p のマネーレイン効果が始まります...

    詳細については、「リクエスト例

    aigc_config.prompt パラメーターについて

    • なぜこのパラメーターを設定するのか？

      このパラメーターを設定しない場合、モデルを呼び出すたびに完全なプロンプトを手動で記述する必要があります。このパラメーターを設定すると、ファインチューニングされたモデルを呼び出す際に画像をアップロードするだけで、システムがこのパラメーターに基づいて効果の命令を自動的に補完し、手動でプロンプトを入力する必要がなくなります。

    • このパラメーターの設定方法

      プロンプト = 命令 (モデルに何をするかを指示) + 出力テンプレート (出力形式を指定) + 例 (モデルが例の構造から学習できるようにする)。

      画像の内容に基づいて動画の説明を提供してください。説明には「そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女 (彼) を密集して打ち、取り囲みます。紙幣は降り続け、彼女/彼は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています」というフレーズを含める必要があります。
出力テンプレート：
動画は [主題の説明] から始まります。[環境の説明]。そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女 (彼) を密集して打ち、取り囲みます。紙幣は降り続け、彼女/彼は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています。
例：
動画は、ビーチにいる若い女性を映し出すところから始まります。彼女の髪は濡れていて、ダークブラウンで、カールしており、少し乱れています。彼女は明るい笑顔を浮かべています。背景には荒い波と遠くの山々が見えます。そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女を密集して打ち、取り囲みます。紙幣は降り続け、彼女は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています。
      出力テンプレートの詳細については、「動画のアノテーション：動画のプロンプトを作成する」をご参照ください。

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    object

    タスクの詳細。

    -

    output.deployed_model

    string

    デプロイされたモデルの一意の ID。

    これを使用して、モデルのデプロイステータスをクエリしたり、モデルを呼び出したりできます。

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

    output.model_name

    string

    モデル ID 名。

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

    output.status

    string

    デプロイステータス：

    • PENDING：デプロイ中

    • RUNNING：実行中

    • FAILED：デプロイ失敗

    PENDING

    output.base_model

    string

    使用されたベースモデル。

    wan2.5-i2v-preview

    output.gmt_create

    string

    デプロイタスクの作成時間。

    2025-11-11T17:46:53.294

    output.gmt_modified

    string

    デプロイタスクの更新時間。

    2025-11-11T17:46:53.294

    output.workspace_id

    string

    Model Studio API キーが属するワークスペースの ID。

    詳細については、「ワークスペース ID の取得」をご参照ください。

    llm-xxxxxxxxx

    output.charge_type

    string

    課金方法。post_paid は従量課金を示します。

    post_paid

    output.creator

    string

    タスクを作成したユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.modifier

    string

    変更を行ったユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.plan

    string

    デプロイ方法。

    lora

    リクエスト例

    「ファインチューニングジョブの作成」のレスポンスから得られる finetuned_output の値で <replace_with_model_name> を置き換えます。

    最初のフレームに基づく画像から動画への変換

    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": "画像の内容に基づいて動画の説明を提供してください。説明には「そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女を密集して打ち、取り囲みます。紙幣は降り続け、彼女/彼は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています」というフレーズを含める必要があります。\n出力テンプレート：\n動画は [主題の説明] のショットから始まります。[環境の説明]。そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女を密集して打ち、取り囲みます。紙幣は降り続け、彼女/彼は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています。\n例：\n動画は、ツタで覆われたレンガの壁の前に立つ若い女性を映し出すところから始まります。彼女は長く滑らかな赤褐色の髪をしており、白いノースリーブのドレス、輝く銀のネックレスを身に着け、笑顔を浮かべています。背景のレンガの壁は緑のツタで覆われ、素朴で自然な雰囲気です。そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女を密集して打ち、取り囲みます。紙幣は降り続け、彼女は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています。",
        "lora_prompt_default": "そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュの背景/濃い緑の模様) が豪雨のように降り注ぎ、彼女を密集して打ち、取り囲みます。紙幣は降り続け、彼女/彼は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています。"
    },
    "capacity": 1,
    "plan": "lora"
}'

    最初と最後のフレームに基づく画像から動画への変換

    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": "画像の内容に基づいて動画の説明を提供してください。説明には「そして彼女/彼は s86b5p の変換を始めます」というフレーズを含める必要があります。\n出力テンプレート：\n動画は [主題の説明] のショットから始まります。[環境の説明]。そして彼女/彼は s86b5p の変換を始めます。\n例：\n動画は、屋外にいる若い女性から始まります。彼女は短くカールしたダークブラウンの髪で、親しみやすい笑顔を浮かべています。彼女はカラフルな花の刺繍が入った黒いポロシャツを着ています。背景には緑の植物と遠くの山々が見えます。そして彼女は s86b5p の変換を始めます。",
        "lora_prompt_default": "そして彼女/彼は s86b5p の変換を始めます。"
    },
    "capacity": 1,
    "plan": "lora"
}'

    レスポンス例

    次の 2 つのパラメーターに注意してください：output.deployed_model (デプロイされたモデルの一意の ID) と output.status (ステータスが PENDING であればモデルがデプロイ中であることを示します)。

    {
    "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"
    }
}

    モデルデプロイメントのステータスのクエリ

    API の説明：このエンドポイントをポーリングしてデプロイステータスをクエリします。ジョブの status が RUNNING に変わると、モデルはデプロイされています。

    説明

    この例のファインチューニング済みモデルのデプロイプロセスには、約 5～10 分かかります。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    deployed_model

    パスパラメーター

    string

    はい

    デプロイされたモデルの一意の ID。

    「モデルのデプロイ」のレスポンスの output.deployed_model パラメーターの値を使用します。

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

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    object

    タスクの詳細。

    -

    output.deployed_model

    string

    デプロイされたモデルの一意の ID。後でモデルを呼び出すためにこの ID を使用します。

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

    output.model_name

    string

    モデル ID 名。

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

    output.status

    string

    デプロイステータス：

    • PENDING：デプロイ中

    • RUNNING：実行中

    • ARREARS_DOWN：支払い遅延によるサービス停止

    • ARREARS_RECOVERING：支払い遅延後のサービス再開中

    • FAILED：デプロイ失敗

    • OFFLINING：サービスをオフライン化中

    • UPDATING：アップグレードまたはスペックダウン中

    • UPDATING_FAILED：アップグレードまたはスペックダウン失敗

    RUNNING

    output.base_model

    string

    使用されたベースモデル。

    wan2.5-i2v-preview

    output.gmt_create

    string

    デプロイタスクの作成時間。

    2025-11-11T17:46:53.294

    output.gmt_modified

    string

    デプロイタスクの更新時間。

    2025-11-11T18:02:2

    output.workspace_id

    string

    Alibaba Cloud Model Studio API キーに関連付けられたワークスペース ID。

    詳細については、「ワークスペース ID の取得」をご参照ください。

    llm-xxxxxxxxx

    output.charge_type

    string

    課金方法。post_paid は従量課金を示します。

    post_paid

    output.creator

    string

    ジョブを作成したユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.modifier

    string

    変更を行ったユーザーの Alibaba Cloud アカウント ID。

    12xxxxxxx

    output.plan

    string

    デプロイ方法。

    lora

    リクエスト例

    「モデルのデプロイ」のレスポンスの output.deployed_model パラメーターの値で <replace_with_deployed_model> を置き換えます。

    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'

    レスポンス例

    status フィールドを確認します。ステータスが RUNNING に変わると、モデルはデプロイされ、呼び出し可能になります。

    {
    "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"
    }
}

    モデルを呼び出して動画を生成

    ファインチューニングされた LoRA モデルの呼び出し方法の詳細については、「モデルを呼び出して動画を生成」をご参照ください。

    チェックポイント管理

    1. チェックポイントのリストのクエリ

    API の説明：検証セットからプレビュー動画の生成に成功したチェックポイントのリストを取得します。検証に失敗したチェックポイントはリストに表示されません。

    制限事項：この API は、モデルのファインチューニングが完了した後にのみ呼び出してください。そうでない場合、空のリストが返されます。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    job_id

    パスパラメーター

    string

    はい

    ファインチューニングジョブ ID。

    ft-202511111122-xxxx

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    array[string]

    チェックポイントリスト。

    -

    output[].checkpoint

    string

    チェックポイント名。

    checkpoint-160

    リクエスト例

    URL 内の <replace_with_fine_tuning_job_id> を、「ファインチューニングジョブの作成」のレスポンスから得られる job_id の値で置き換えます。

    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'

    レスポンス例

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

    2. チェックポイントの検証結果のクエリ

    API の説明：「checkpoint-160」などの特定の checkpoint によって生成された動画を表示します。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    job_id

    パスパラメーター

    string

    はい

    ファインチューニングジョブ ID。

    ft-202511111122-xxxx

    checkpoint

    パスパラメーター

    string

    はい

    チェックポイント名。

    checkpoint-160

    page_no

    クエリパラメーター

    integer

    いいえ

    ページ番号。デフォルトは 1 です。

    1

    page_size

    クエリパラメーター

    integer

    いいえ

    1 ページあたりのエントリ数。デフォルトは 10 です。

    10

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

    375b3ad0-d3fa-451f-b629-xxxxxxx

    output

    object

    出力結果。

    -

    output.page_no

    integer

    ページ番号。

    1

    output.page_size

    integer

    1 ページあたりのエントリ数。

    10

    output.total

    integer

    検証セットのエントリ総数。

    1

    output.list

    array[object]

    検証セットリスト。

    -

    output.list[].video_path

    string

    チェックポイントによって生成された動画。

    video_path は 24 時間有効です。速やかに動画をダウンロードしてください。

    https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.mp4?Expires=xxxx

    output.list[].prompt

    string

    検証データのプロンプト。これはデータセットの data.jsonl アノテーションファイルから取得されます。

    動画はカフェに座っている若い男性から始まります...

    output.list[].first_frame_path

    string

    検証画像の URL。システムはデータセットから画像を読み取り、公開 URL を生成します。

    https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg

    リクエスト例

    • <replace_with_fine_tuning_job_id>：このプレースホルダーを、「ファインチューニングジョブの作成」のレスポンスから得られる job_id の値で置き換えます。

    • <replace_with_selected_checkpoint>：このプレースホルダーを、選択したチェックポイント名 (例：「checkpoint-160」) で置き換えます。

    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"

    レスポンス例

    video_path は 24 時間有効です。この期間内に動画をダウンロードしてください。
    {
    "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": "動画はカフェに座っている若い男性から始まります。彼はベージュのポロシャツを着ており、集中して少し物思いにふけっているように見え、指をそっとあごに当てています。彼の前にはホットコーヒーのカップがあります。背景は木製のストライプと装飾的な看板のある壁です。そして s86b5p のマネーレイン効果が始まり、無数の巨大な米ドル紙幣 (ベージュに濃い緑の模様) が豪雨のように降り注ぎ、彼を密集して打ち、取り囲みます。紙幣は降り続け、彼は腕を上に伸ばし、首をわずかに後ろに傾け、驚いた表情で、このワイルドなマネーレインに完全に没頭しています。",
                "first_frame_path": "https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg"
            }
        ]
    }
}

    3. チェックポイントのエクスポート

    API の説明：チェックポイントをデプロイ可能なモデルとしてエクスポートします。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    job_id

    パスパラメーター

    string

    はい

    ファインチューニングジョブ ID。

    ft-202511111122-xxxx

    checkpoint

    パスパラメーター

    string

    はい

    チェックポイント名。

    checkpoint-160

    model_name

    クエリパラメーター

    string

    はい

    コンソールに表示するエクスポートされたモデルの名前。

    この名前はグローバルに一意である必要があります。文字、数字、アンダースコア (_)、ハイフン (-) の使用を推奨します。

    注意：このパラメーターはコンソールでの表示専用です。エクスポートされたモデルの実際の名前は、「エクスポートされたモデルの詳細のクエリ」操作のレスポンスの output[].model_name パラメーターの値です。

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

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    boolean

    エクスポートリクエストが正常に送信されたかどうかを示します。

    • true：エクスポートリクエストは正常に送信されました。

    • false：エクスポートリクエストの送信に失敗しました。リトライを推奨します。

    true

    リクエスト例

    • <replace_with_fine_tuning_job_id>：このプレースホルダーを、「ファインチューニングジョブの作成」のレスポンスから得られる job_id の値で置き換えます。

    • <replace_with_checkpoint_to_export>：このプレースホルダーを、チェックポイントの値 (例：「checkpoint-160」) で置き換えます。

    • <replace_with_exported_model_name_for_console_display>：このプレースホルダーを、カスタムモデル名で置き換えます。この名前はコンソールでの表示専用です。

    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"

    レスポンス例

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

    4. エクスポートされたモデルの詳細のクエリ

    API の説明：すべてのチェックポイントのステータスをクエリして、エクスポートが完了したことを確認し、デプロイ用の新しいモデルの名前 (model_name) を取得します。

    リクエストエンドポイント

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

    リクエストパラメーター

    フィールド

    パラメーターの渡し方

    型

    必須

    説明

    例

    job_id

    パスパラメーター

    string

    はい

    ファインチューニングジョブ ID。

    ft-202511111122-xxxx

    レスポンスパラメーター

    フィールド

    型

    説明

    例

    request_id

    string

    リクエストの一意の ID。

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

    output

    array[object]

    チェックポイントリストの詳細。

    -

    output[].create_time

    string

    作成時間。

    2025-11-11T13:27:29

    output[].job_id

    string

    ファインチューニングジョブ ID。

    ft-202511111122-xxxx

    output[].checkpoint

    string

    チェックポイント名。

    checkpoint-160

    output[].full_name

    string

    チェックポイントのフルネーム ID。

    ft-202511111122-496e-checkpoint-160

    output[].model_name

    string

    エクスポートされたモデルの名前。これはモデルのデプロイと呼び出しに使用されます。

    これは status が SUCCEEDED の場合に返されます。

    wan2.5-i2v-preview-ft-202511111122-xxxx-c160

    output[].model_display_name

    string

    モデルの表示名。

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

    output[].status

    string

    モデルのエクスポートステータス：

    • PENDING：キューイング中

    • PROCESSING：エクスポート中

    • SUCCEEDED：エクスポート成功

    • FAILED：エクスポート失敗

    • UNSUPPORTED：エクスポートはサポートされていません

    SUCCEEDED

    リクエスト例

    <replace_with_fine_tuning_job_id> を、「ファインチューニングジョブの作成」のレスポンスから得られる job_id の値で置き換えます。

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

    レスポンス例

    返されたリストでターゲットのチェックポイント (例：checkpoint-160) を見つけます。そのステータスが SUCCEEDED に変わると、エクスポートは成功です。model_name を取得して保存する必要があります。これは、その後のモデルのデプロイと呼び出しのための一意の識別子です。

    {
    "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" // エクスポートされていないチェックポイント。model_name フィールドはありません
        },
        {
            "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", // 重要なフィールド。モデルのデプロイと呼び出しに使用されます
            "model_display_name": "wan2.5-i2v-preview-ft-202511111122-xxxx", 
            "status": "SUCCEEDED" // 正常にエクスポートされたチェックポイント
        },
        ......
        
    ]
}

    5. モデルのデプロイと呼び出し

    チェックポイントを正常にエクスポートし、model_name を取得したら、次の手順を実行します：

    ファインチューニングジョブの管理

    ファインチューニングジョブのログのクエリ

    リクエスト例

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

    レスポンス例

    {
    "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##"
        ]
    }
}

    ファインチューニングジョブのリストのクエリ

    リクエスト例

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

    レスポンス例

    {
    "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
            }
        ]
    }
}

    ファインチューニングジョブのキャンセル

    リクエスト例

    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'

    レスポンス例

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

    ファインチューニングジョブの削除

    リクエスト例

    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'

    レスポンス例

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

    デプロイされたモデルの管理

    デプロイされたモデルサービスの削除

    重要

    この操作を実行すると、モデルデプロイサービスは即座にオフラインになり、復元できません。つまり：

    1. モデルは呼び出せなくなります。

    2. デプロイサービスの課金は停止します。

    リクエスト例

    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'

    レスポンス例

    output.status パラメーターを確認してください。値が DELETING の場合、削除リクエストは正常に送信され、モデルサービスが削除中であることを示します。

    {
    "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"
    }
}

    その後、「モデルデプロイメントのステータスのクエリ」操作を呼び出して削除を確認します。次の内容が返された場合、デプロイされたサービスは存在せず、削除は成功しています。

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