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。
圖生視頻-基於首幀：
wan2.7-i2v：推薦用於首幀生視頻微調，不推薦用於首尾幀生視頻或視頻續寫情境。wan2.6-i2vwan2.5-i2v-previewwan2.2-i2v-flash 圖生視頻-基於首尾幀：
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 n_epochs 或 learning_rate 等參數。
超參數屬性
batch_size int （必選）
批次大小。一次性送入模型進行訓練的資料條數。
該參數為單一實例配置，建議使用各模型的推薦值，非必要請勿調整。
wan2.7-i2v：推薦為 1。
wan2.6-i2v：推薦為 1。
wan2.5-i2v-preview：推薦為 4。
wan2.2-i2v-flash：推薦為 4。
wan2.2-kf2v-flash：推薦為 4。
說明 訓練任務實際啟動並執行執行個體數量由平台調度決定，訓練日誌中輸出的Global Step可能與估算結果不一致，但不會改變實際訓練資料總量，不影響模型最終效果。
n_epochs int （必選）
訓練迴圈次數。推薦值：50。
steps = n_epochs × ⌈資料集大小 / batch_size⌉。建議總步數 ≥ 800。
例如：資料集 5 條，batch_size=4，每輪步數=⌈5/4⌉=2，最小 n_epochs = 800/2 = 400。
推薦訓練輪數會根據資料量自動調整。資料越少，需要更多輪數來充分學習；資料越多，每輪包含的樣本越多，因此所需輪數會減少。
50 epochs 主要適用於 2 條左右的小資料集；當資料量達到 50-60 條視頻時，通常建議訓練約 3000-5000 steps 即可。
learning_rate float （必選）
學習率。推薦值：2e-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。
eval_epochs int （必選）
驗證間隔。推薦值：20。取值需≥n_epochs/10。訓練期間每隔多少個epoch進行一次驗證評估。
max_pixels int （必選）
訓練視頻的最大解析度。設定訓練視頻解析度的像素總數（寬×高）限制。系統僅對超過該值的視頻進行縮放處理。
wan2.7-i2v：推薦 102400。取值範圍：36864 (192×192) ～ 123904 (352×352)。
wan2.6-i2v：推薦 36864。取值範圍：16384 (128×128) ～ 36864 (192×192)。
wan2.5-i2v-preview：推薦 36864。取值範圍：16384 (128×128) ～ 36864 (192×192)。
wan2.2-i2v-flash：推薦 262144。取值範圍：65536 (256×256) ～ 262144 (512×512)。
wan2.2-kf2v-flash：推薦 262144。取值範圍：65536 (256×256) ～ 262144 (512×512)。
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。
max_split_val_dataset_sample int （可選）
從訓練集中自動劃分驗證集的最大樣本數。推薦值：5。取值需≥1。
僅在未指定validation_file_ids時生效。該參數為驗證集數量設定上限：驗證集數量 = min(資料集總數 × (1 − split), max_split_val_dataset_sample)
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，系統將只儲存最後 N 個 Checkpoint。
lora_rank int （可選）
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，數值越大擬合能力越強，但訓練速度會變慢。取值必須為2n （如 16、32、64）。
lora_alpha int （可選）
LoRA 權重的縮放係數。推薦值：32。用於調節微調後的參數對原模型權重的影響程度。取值必須為2n （如 16、32、64）。
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。
圖生視頻-基於首幀（Wan2.7） curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-i2v",
"training_file_ids": [
"<替換為訓練資料集的檔案id>"
],
"training_type": "efficient_sft",
"hyper_parameters": {
"n_epochs": 50,
"batch_size": 1,
"learning_rate": 2e-5,
"split": 0.9,
"max_split_val_dataset_sample": 5,
"eval_epochs": 20,
"max_pixels": 102400,
"save_total_limit": 10,
"lora_rank": 32,
"lora_alpha": 32
}
}'
圖生視頻-基於首尾幀 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": [
"<替換為訓練資料集的檔案id>"
],
"training_type": "efficient_sft",
"hyper_parameters": {
"n_epochs": 50,
"batch_size": 4,
"learning_rate": 2e-5,
"split": 0.9,
"max_split_val_dataset_sample": 5,
"eval_epochs": 20,
"max_pixels": 262144,
"save_total_limit": 10,
"lora_rank": 32,
"lora_alpha": 32
}
}'
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-i2v",
"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": {
"n_epochs": 50,
"batch_size": 1,
"learning_rate": 2e-5,
"split": 0.9,
"max_split_val_dataset_sample": 5,
"eval_epochs": 20,
"max_pixels": 102400,
"save_total_limit": 10,
"lora_rank": 32,
"lora_alpha": 32
}
}'