請求參數 要求標頭（Headers） Content-Type string （必選）
固定值：application/json
Authorization string （必選）
API Key鑒權，格式為Bearer sk-xxxx。
請求體（Request Body） model string （必選）
指定微調所用的基準模型。
wan2.7-image-pro：推薦用於文生圖/圖生圖微調。wan2.7-image training_file_ids array[string] （條件必選）
訓練集檔案ID數組，可傳入多個ID。與 training_datasets 二選一，若使用 training_datasets 則無需傳此參數。檔案ID通過上傳檔案 API 擷取。
validation_file_ids array[string] （可選）
驗證集檔案ID數組，可傳入多個ID。與 validation_datasets 二選一，若使用 validation_datasets 則無需傳此參數。若兩者均不提供，系統會從訓練集中自動劃分。檔案ID通過上傳檔案 API 擷取。
training_type string （必選）
微調類型，當前僅支援efficient_sft（LoRA高效微調）。
hyper_parameters object （可選）
超參數配置 。初次訓練時，推薦使用預設的超參數。若模型效果不佳或訓練不收斂，可以嘗試調整 max_steps 或 learning_rate 等參數。
超參數屬性
max_steps int （必選）
訓練總步數。控制訓練時間長度的核心參數。推薦值：800。
max_steps 決定訓練迭代次數，max_token_length 決定每步處理的資料量。
建議不少於 500 步以確保模型充分收斂；巨量資料集可適當增加步數。
eval_steps int （必選）
驗證間隔。推薦值：200。取值需≥0。訓練期間每隔多少個 steps 進行一次驗證評估，用於階段性評估模型訓練效果。同時儲存當前 step 的模型檔案。
learning_rate float （必選）
學習率。推薦值：3e-5。控制模型權重更新的幅度。過高可能導致模型變差，過低則變化不明顯。
generation_type string （必選）
產生模式。決定訓練資料格式和推理方式。可選值：
max_pixels string （必選）
訓練圖片的最大解析度。設定訓練集中圖片解析度的像素總數（寬×高）上限，系統僅對超過該值的圖片進行縮放處理，未超限的圖片保持原樣。建議三個解析度參數（max_pixels、max_token_length、val_img_size）保持一致。
1k：即 1024×1024。2k：即 2048×2048。 推薦值：文生圖 2k，圖生圖 1k。
val_img_size string （必選）
驗證圖產生解析度。訓練過程中驗證評估時產生圖片的目標解析度。可選值同 max_pixels。推薦值：文生圖 2k，圖生圖 1k。
max_token_length string （必選）
每步訓練的最大 Token 長度，影響單步計算量與計費。與 max_steps 共同控制訓練過程：max_steps 決定迭代次數，max_token_length 決定每步處理的資料量。可選值：
1k：推薦圖生圖情境使用。2k：推薦文生圖情境使用。 max_token_length 與計費 Lmax 的對應關係：
generation_type
max_token_length
L max
t2i（文生圖）
1k
12,800
2k
23,220
i2i（圖生圖）
1k
23,220
2k
32,000
gradient_clip float （必選）
梯度裁剪。推薦值：0.5。對所有可訓練參數做全域梯度範數裁剪的閾值，防止梯度爆炸。設為 -1 表示不裁剪。
weight_decay float （必選）
權重衰減。推薦值：0.02。AdamW 解耦式權重衰減係數，對所有可訓練參數生效，用於正則化防止過擬合。
lora_rank int （必選）
LoRA 低秩矩陣的維數。推薦值：32。該值決定了微調參數量的大小。數值越大，模型擬合能力越強，但訓練速度會變慢。取值必須為2n （如 16、32、64）。
save_total_limit int （可選）
Checkpoint 儲存數量上限。推薦值：10。限制最多儲存的模型數量。系統將始終只儲存訓練產生的最後 N 個 Checkpoint。
split float （可選）
訓練集劃分比例。推薦值：0.9。取值範圍為 (0, 1)。僅在未指定validation_file_ids或validation_datasets時生效。此參數用於從訓練集中自動按比例拆分出驗證集。例如，0.9表示90%訓練集，10%驗證集。
training_datasets Array of Dataset （條件必選）
訓練集檔案清單。與 training_file_ids 二選一，若使用 training_file_ids 則無需傳此參數。
Dataset 結構
data_source_type string （必選）
資料來源類型，可選值：
oss_mount（掛載 OSS 檔案）file_id（由檔案管理服務 API 上傳的檔案） mount_storage object （條件必選）
資料來源類型為 oss_mount 時必填。OSS 掛載資訊。
屬性
region string （必選）
要掛載的 OSS Bucket 所屬地區。支援北京（cn-beijing）和新加坡（ap-southeast-1）。
bucket string （必選）
要掛載的 OSS Bucket 名稱。
file_path string （必選）
要掛載的 OSS 檔案路徑（object key）。對包含多個檔案的資料集，使用其 data.jsonl 的檔案路徑。與使用 file_id 的方式不同，需要將未經壓縮的資料集檔案夾整體上傳到 OSS，不支援 zip 檔案。
file_id string （條件必選）
資料來源類型為 file_id 時必填。檔案 ID，由上傳檔案 API 產生。
validation_datasets Array of Dataset （可選）
驗證集檔案清單。結構同training_datasets。
與 validation_file_ids 二選一。若兩者均不提供，系統會從訓練集中自動劃分。
job_name string （可選）
調優任務名稱。
model_name string （可選）
調優完成後的模型名稱。
文生圖（wan2.7-image-pro） curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-image-pro",
"training_file_ids": [
"<替換為訓練資料集的檔案id>"
],
"training_type": "efficient_sft",
"hyper_parameters": {
"learning_rate": 3e-5,
"max_steps": 800,
"eval_steps": 200,
"max_token_length": "2k",
"gradient_clip": 0.5,
"weight_decay": 0.02,
"max_pixels": "2k",
"val_img_size": "2k",
"generation_type": "t2i",
"lora_rank": 32,
"save_total_limit": 10
}
}'
圖生圖（wan2.7-image） curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-image",
"training_file_ids": [
"<替換為訓練資料集的檔案id>"
],
"training_type": "efficient_sft",
"hyper_parameters": {
"learning_rate": 3e-5,
"max_steps": 800,
"eval_steps": 200,
"max_token_length": "1k",
"gradient_clip": 0.5,
"weight_decay": 0.02,
"max_pixels": "1k",
"val_img_size": "1k",
"generation_type": "i2i",
"lora_rank": 32,
"save_total_limit": 10
}
}'
使用OSS掛載的資料集 curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-image-pro",
"training_datasets": [
{
"data_source_type": "oss_mount",
"mount_storage": {
"region": "ap-southeast-1",
"bucket": "example_bucket",
"file_path": "dataset/data.jsonl"
}
}
],
"training_type": "efficient_sft",
"hyper_parameters": {
"learning_rate": 3e-5,
"max_steps": 800,
"eval_steps": 200,
"max_token_length": "2k",
"gradient_clip": 0.5,
"weight_decay": 0.02,
"max_pixels": "2k",
"val_img_size": "2k",
"generation_type": "t2i",
"lora_rank": 32,
"save_total_limit": 10
}
}'