本文档以千问模型的调优操作为例进行说明,通过 API (HTTP)和 命令行(Shell)两种方式,使用阿里云百炼提供的模型调优功能。模型调优包含模型微调(SFT)、继续预训练(CPT)、模型偏好训练(DPO)三种模型训练方式。
前提条件
- 已经完整阅读了模型调优简介,了解模型调优的基本概念、流程及数据格式要求。
- 已开通服务并获得API-KEY, 请参考获取与配置 API Key。
- 阿里云子账号(RAM用户)需被授予必要的调用、训练和部署权限。
说明通过 API 创建的训练任务仅支持按 Token 计费,暂不支持使用模型训练单元(预付费或后付费)。如需使用训练单元,请通过控制台创建任务。
上传调优文件
准备调优文件
SFT/DPO/CPT 各训练方式的数据格式规格、打包规则、大小与数量限制、API 上传配额详见调优数据上传规则。各训练方式支持的文件格式概览:
训练方式 | 文件格式 |
|---|---|
SFT 文本生成 | jsonl(ChatML messages 多轮结构) |
SFT 多模态(图片/视频) | zip(data.jsonl + 图片/视频文件) |
DPO | jsonl(chosen/rejected 偏好对比) |
CPT | jsonl(纯文本 {text}) |
评测集 | xlsx |
也可以前往百炼控制台下载数据模板。 | 在新增数据集页面的上传文件区域下方,可找到数据模板下载链接。 |
将调优文件上传至阿里云百炼
OpenAI 兼容 - FIle 接口
import os
from pathlib import Path
from openai import OpenAI
client = OpenAI(
# 若没有配置环境变量,请用阿里云百炼API Key将下行替换为:api_key="sk-xxx",
# 新加坡和北京地域的API Key不同。获取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
api_key=os.getenv("DASHSCOPE_API_KEY"),
# 以下为新加坡地域url,若使用北京地域的服务,需将url替换为:https://dashscope.aliyuncs.com/compatible-mode/v1
base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
# test.jsonl 是一个本地示例文件
file_object = client.files.create(file=Path("test.jsonl"), purpose="fine-tune")
print(file_object.model_dump_json())
import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.files.*;
import java.nio.file.Path;
import java.nio.file.Paths;
public class Main {
public static void main(String[] args) {
// 创建客户端,使用环境变量中的API密钥
OpenAIClient client = OpenAIOkHttpClient.builder()
// 新加坡和北京地域的API Key不同。获取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
.apiKey(System.getenv("DASHSCOPE_API_KEY"))
// 以下为新加坡地域url,若使用北京地域的服务,需将url替换为:https://dashscope.aliyuncs.com/compatible-mode/v1
.baseUrl("https://dashscope-intl.aliyuncs.com/compatible-mode/v1")
.build();
// 设置文件路径,请根据实际需求修改路径与文件名
Path filePath = Paths.get("src/main/java/org/example/test.txt");
// 创建文件上传参数
FileCreateParams params = FileCreateParams.builder()
.file(filePath)
.purpose(FilePurpose.of("fine-tune"))
.build();
// 上传文件
FileObject fileObject = client.files().create(params);
System.out.println(fileObject);
}
}
# ======= 重要提示 =======
# 新加坡和北京地域的API Key不同。获取API Key:https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 以下为新加坡地域url,若使用北京地域的服务,需将url替换为:https://dashscope.aliyuncs.com/compatible-mode/v1/files
# === 执行时请删除该注释 ===
curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/files \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
--form 'file=@"test.jsonl"' \
--form 'purpose="fine-tune"'
说明使用限制:
- 单个文件大小最大为300MB
- 所有的有效文件(未删除)总使用空间配额为100GB
- 所有的有效文件(未删除)总数量配额为10000个
- 文件存储没有时间限制
通过 API 上传的调优文件,在百炼控制台模型调优页面与 API 调用中均可见可用。
模型调优
创建调优任务
HTTP
Windows CMD 请将
${DASHSCOPE_API_KEY}替换为%DASHSCOPE_API_KEY%,PowerShell 请替换为$env:DASHSCOPE_API_KEY
curl --location "https://dashscope.aliyuncs.com/api/v1/fine-tunes" \
--header "Authorization: Bearer ${DASHSCOPE_API_KEY}" \
--header 'Content-Type: application/json' \
--data '{
"model":"qwen3-8b",
"training_datasets":[
{"data_source_type":"file_id","file_id":"<替换为训练数据集的file_id1>"},
{"data_source_type":"oss_mount","mount_storage":{"region":"cn-beijing","bucket":"example_bucket","file_path":"dataset/data.jsonl"}}
],
"validation_datasets":[
{"data_source_type":"file_id","file_id":"<替换为测试数据集的file_id>"},
{"data_source_type":"oss_mount","mount_storage":{"region":"cn-beijing","bucket":"example_bucket","file_path":"dataset/val.jsonl"}}
],
"hyper_parameters":
{
"n_epochs": 3,
"batch_size": 16,
"max_length": 8192,
"learning_rate": "1.6e-5",
"lr_scheduler_type": "linear",
"split": 0.9,
"warmup_ratio": 0.05,
"eval_steps": 50,
"data_augmentation": true,
"augmentation_ratio": "0.1,0.05,0.15",
"augmentation_types": "dialogue_CN,general_purpose_CN,NLP",
"save_strategy": "epoch",
"save_total_limit": 10
},
"training_type":"sft"
}'
说明使用 OSS 挂载方式加载数据集时,需将未经压缩的数据集文件夹整体上传到 OSS Bucket,不支持 zip 文件。MountStorage 的 file_path 指定数据集的 data.jsonl 文件路径;对包含多个文件的数据集(如 data.jsonl 和图片/视频文件同目录),只需指定 data.jsonl 的路径,无需指定其他文件。挂载前需授权百炼服务访问您的 OSS 数据。OSS Bucket 所属地域支持北京(cn-beijing)和新加坡(ap-southeast-1)。
输入参数
字段 | 必选 | 类型 | 传参方式 | 描述 |
|---|---|---|---|---|
training_datasets | 是 | Array of Dataset | Body | 训练数据集列表。 |
validation_datasets | 否 | Array of Dataset | Body | 测试数据集列表。 |
model | 是 | String | Body | 用于调优的基础模型 ID,或其他调优任务产出的模型 ID。 |
hyper_parameters | 否 | Map | Body | 用于调优模型的超参数。不同模型支持的参数及其默认值不同,请在控制台选择相同的模型和训练方式查看实际默认值。 以下参数影响训练费用,必须填写: |
training_type | 否 | String | Body | 调优方法,可选值为:
|
job_name | 否 | String | Body | 调优任务名称 |
model_name | 否 | String | Body | 调优产生的模型名称(并非模型 ID,模型 ID 由系统生成) |
返回样例
{
"request_id": "635f7047-003e-4be3-b1db-6f98e239f57b",
"output":
{
"job_id": "ft-202511272033-8ae7",
"job_name": "ft-202511272033-8ae7",
"status": "PENDING",
"finetuned_output": "qwen3-8b-ft-202511272033-8ae7",
"model": "qwen3-8b",
"base_model": "qwen3-8b",
"training_file_ids": [],
"validation_file_ids": [],
"training_datasets": [
{"data_source_type": "file_id", "file_id": "9e9ffdfa-c3bf-436e-9613-6f053c66aa6e"}
],
"validation_datasets": [],
"hyper_parameters":
{
"n_epochs": 3,
"batch_size": 16,
"max_length": 8192,
"learning_rate": "1.6e-5",
"lr_scheduler_type": "linear",
"split": 0.9,
"warmup_ratio": 0.05,
"eval_steps": 50,
"data_augmentation": true,
"augmentation_ratio": "0.1,0.05,0.15",
"augmentation_types": "dialogue_CN,general_purpose_CN,NLP",
"save_strategy": "epoch",
"save_total_limit": 10
},
"training_type": "sft",
"create_time": "2025-11-27 20:33:15",
"workspace_id": "llm-8v53etv3hwb8orx1",
"user_identity": "1654290265984853",
"modifier": "1654290265984853",
"creator": "1654290265984853",
"group": "llm",
"max_output_cnt": 10
}
}
支持的基础模型ID( model )列表与训练类型( training_type )支持情况:
支持的模型
新加坡
文本生成
模型名称 | 模型代码 | SFT全参训练(sft) | SFT高效训练(efficient_sft) |
|---|---|---|---|
Qwen3.5-27B | qwen3.5-27b | 支持 | 支持 |
Qwen3.5-9B | qwen3.5-9b | 支持 | 支持 |
Qwen3-14B | qwen3-14b | × | 支持 |
视觉理解(千问VL)
模型名称 | 模型代码 | SFT全参训练(sft) | SFT高效训练(efficient_sft) |
|---|---|---|---|
- | - | - | - |
华北二(北京)
文本生成
模型服务 | 模型代码 | CPT全参训练(cpt) | SFT全参训练(sft) | SFT高效训练(efficient_sft) | DPO全参训练(dpo_full) | DPO高效训练(dpo_lora) |
|---|---|---|---|---|---|---|
Qwen3.7-Plus-2026-05-26 | qwen3.7-plus-2026-05-26 | × | 支持 | × | × | × |
Qwen3.6-Flash-2026-04-16 | qwen3.6-flash-2026-04-16 | × | 支持 | × | × | × |
Qwen3.6-Plus-2026-04-02 | qwen3.6-plus-2026-04-02 | × | 支持 | × | × | × |
Qwen3.5-27B | qwen3.5-27b | × | 支持 | 支持 | × | × |
Qwen3.5-9B | qwen3.5-9b | × | 支持 | 支持 | × | × |
Qwen3.5-Flash-2026-02-23 | qwen3.5-flash-2026-02-23 | × | 支持 | × | × | × |
Qwen3.5-Plus-2026-02-15 | qwen3.5-plus-2026-02-15 | × | 支持 | × | × | × |
Qwen3-32B | qwen3-32b | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen3-30B-A3B-Instruct-2507 | qwen3-30b-a3b-instruct-2507 | 支持 | 支持 | 支持 | × | × |
Qwen3-14B | qwen3-14b | × | 支持 | 支持 | 支持 | 支持 |
Qwen3-8B | qwen3-8b | × | 支持 | 支持 | 支持 | 支持 |
Qwen3-4B-Instruct-2507 | qwen3-4b-instruct-2507 | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen3-1.7B | qwen3-1.7b | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen3-0.6B | qwen3-0.6b | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen2.5-72B-Instruct | qwen2.5-72b-instruct | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen2.5-32B-Instruct | qwen2.5-32b-instruct | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen2.5-14B-Instruct | qwen2.5-14b-instruct | 支持 | 支持 | 支持 | 支持 | 支持 |
Qwen2.5-7B-Instruct | qwen2.5-7b-instruct | 支持 | 支持 | 支持 | 支持 | 支持 |
千问-Plus-Character-2025-11-06 | qwen-plus-character-2025-11-06 | × | 支持 | 支持 | 支持 | 支持 |
视觉理解(千问VL)
模型服务 | 模型代码 | CPT全参训练(cpt) | SFT全参训练(sft) | SFT高效训练(efficient_sft) | DPO全参训练(dpo_full) | DPO高效训练(dpo_lora) |
|---|---|---|---|---|---|---|
Qwen3-VL-8B-Instruct | qwen3-vl-8b-instruct | × | 支持 | 支持 | × | × |
Qwen3-VL-8B-Thinking | qwen3-vl-8b-thinking | × | 支持 | 支持 | × | × |
Qwen3-VL-4B-Instruct | qwen3-vl-4b-instruct | × | 支持 | 支持 | × | × |
Qwen2.5-VL-72B-Instruct | qwen2.5-vl-72b-instruct | × | 支持 | 支持 | × | × |
Qwen2.5-VL-32B-Instruct | qwen2.5-vl-32b-instruct | × | 支持 | 支持 | × | × |
Qwen2.5-VL-7B-Instruct | qwen2.5-vl-7b-instruct | × | 支持 | 支持 | × | × |
调优方法对比
特性 | CPT(持续预训练) | SFT (监督微调) | DPO (直接偏好优化) |
|---|---|---|---|
一句话总结 | 补知识(注入领域知识) | 学做事(学会遵循指令) | 做得更好(对齐人类偏好) |
输入数据 | 1000万+ Token 无标签的领域文本 | 1000+ 条 高质量的“问-答”对 | 100+ 组 同一指令下的“更好-更差”回答对 |
核心目标 | 领域适应,学习专业词汇和事实 | 教会模型对话格式和任务执行能力 | 使模型输出更符合人类价值观和偏好 |
学习方式 | 自监督学习(预测下一个词) | 监督学习(模仿标准答案) | 直接偏好学习(增大好答案概率,降低坏答案概率) |
模型阶段 | 通常在 SFT 之前 | CPT 之后,DPO 之前 | 通常在 SFT 之后,作为对齐的最后一步 |
训练模式对比
全参训练 | 高效训练 (LoRA,推荐) | |
|---|---|---|
适用场景 | • 需要模型学习新能力 • 追求全局效果最优 | • 优化模型特定场景下的效果 • 对训练时间和成本敏感的场景 |
训练时间 | 较长,收敛速度较慢。 | 较短,收敛速度快。 |
hyper_parameters 内 支持的设置
不同模型支持的参数及其默认值不同,请前往控制台选择相同的模型和训练方式查看实际默认值。
| 参数名称 | 推荐设置 | 类型 | 超参作用 |
|---|---|---|---|
(循环次数)【必填】 | 数据量 < 10,000, 3~5次数据量 > 10,000, 1~2次 | Integer | 模型遍历训练的次数,请根据模型调优实际使用经验进行调整。 模型训练循环次数越多,训练时间越长,训练费用越高。 |
(学习率) | 使用百炼推荐的默认值 | Float | 控制模型修正权重的强度。
|
(是否冻结视觉主干网络) | 根据需求调整 | Boolean | 用于冻结视觉主干网络的参数,使其在训练过程中不更新权重。仅适用于 千问-VL(视觉理解)模型。 警告只有 freeze_vit 设置为“true”时,模型才能进行按 Token 用量计费。 |
(批次大小)【必填】 | 使用百炼推荐的默认值 | Integer | 一次性送入模型进行训练的数据条数,参数过小会显著延长训练时间。不同模型的默认值不同,请前往控制台查看。 |
(验证步数) | 根据需求调整 | Integer | 训练阶段针对模型的验证间隔步长,用于阶段性评估模型训练准确率、训练损失。 该参数影响模型调优进行时的 Validation Loss 和 Validation Token Accuracy 的显示频率。 |
(日志显示步数) | 根据需求调整 | Integer | 调优日志打印的步数。 |
(学习率调整策略) | 推荐 | String | 在模型训练中动态调整学习率的策略。 各策略详情请参考在控制台进行模型调优。 |
(序列长度)【必填】 | 8192 | Integer | 指的是单条训练数据 token 支持的最大长度。如果单条数据 token 长度超过设定值,调优会直接丢弃该条数据,不进行训练。 字符与 token 之间的关系请参考Token和字符串之间怎么换算 |
(验证集数据最大数量) | 使用百炼推荐的默认值 | Integer | 当不设置 当设置了 |
(训练集在训练文件中占比) | 使用百炼推荐的默认值 | Float | 当不设置 当设置了 |
(学习率预热比例) | 使用百炼推荐的默认值 | Float | 学习率预热占用总的训练过程的比例。学习率预热是指学习率在训练开始后由一个较小值线性递增至学习率设定值。 该参数主要是限制模型参数在训练初始阶段的变化幅度,从而帮助模型更稳定地进行训练。 比例过大效果与过低的学习率相同,会导致调优后的模型表现不会有太大变化。 比例过小效果与过高的学习率相同,可能导致调优后的模型表现不一定更好,甚至变差。
|
(权重衰减) | 使用百炼推荐的默认值 | Float | L2正则化强度。L2正则化能在一定程度上保持模型的通用能力。数值过大会导致模型调优效果不明显。 |
高效微调(支持 说明当对一个已经高效微调后的模型进行二次高效微调时, | |||
(LoRA秩值) | 64 | Integer | LoRA训练中的低秩矩阵的秩大小。秩越大调优效果越好,但训练会略慢。 |
(LoRA阿尔法) | 使用百炼推荐的默认值 | Integer | 用于控制原模型权重与LoRA的低秩修正项之间的结合缩放系数。 较大的Alpha值会给予LoRA修正项更多权重,使得模型更加依赖于微调任务的特定信息; 而较小的Alpha值则会让模型更倾向于保留原始预训练模型的知识。 |
(LoRA丢弃率) | 使用百炼推荐的默认值 | Float | LoRA训练中的低秩矩阵值的丢弃率。 使用推荐数值能增强模型通用化能力。 数值过大会导致模型微调效果不明显。 |
模型参数快照发布(仅支持 | |||
(快照存储策略) | 可以设置为
| String | 设置调优过程中,保存模型参数快照(Checkpoint)的保存间隔和保存数量上限。 |
(存储步数) | 如果需要手动修改,建议设置为 | Integer | 设置每训练多少步保存一次模型参数快照(Checkpoint)。 |
(快照存储数量上限) | 10 | Integer | 限制最多保存多少个模型参数快照(Checkpoint)用于发布。 |
查询调优任务详情
使用创建任务时返回的job_id来查询任务状态。
HTTP
curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
输入参数
字段 | 类型 | 传参方式 | 必选 | 描述 |
|---|---|---|---|---|
job_id | String | Path Parameter | 是 | 要查询的调优任务的ID。 |
返回成功样例
{
"request_id": "d100cddb-ac85-4c82-bd5c-9b5421c5e94d",
"output":
{
"job_id": "ft-202511272033-8ae7",
"job_name": "ft-202511272033-8ae7",
"status": "RUNNING",
"finetuned_output": "qwen3-8b-ft-202511272033-8ae7",
"model": "qwen3-8b",
"base_model": "qwen3-8b",
"training_file_ids": [],
"validation_file_ids": [],
"training_datasets": [
{"data_source_type": "file_id", "file_id": "9e9ffdfa-c3bf-436e-9613-6f053c66aa6e"}
],
"validation_datasets": [],
"hyper_parameters":
{
"n_epochs": 3,
"batch_size": 16,
"max_length": 8192,
"learning_rate": "1.6e-5",
"lr_scheduler_type": "linear",
"split": 0.9,
"warmup_ratio": 0.05,
"eval_steps": 50,
"data_augmentation": true,
"augmentation_ratio": "0.1,0.05,0.15",
"augmentation_types": "dialogue_CN,general_purpose_CN,NLP",
"save_strategy": "epoch",
"save_total_limit": 10
},
"training_type": "sft",
"create_time": "2025-11-27 20:33:15",
"workspace_id": "llm-8v53etv3hwb8orx1",
"user_identity": "1654290265984853",
"modifier": "1654290265984853",
"creator": "1654290265984853",
"group": "llm",
"max_output_cnt": 10
}
}
任务状态 | 含义 |
|---|---|
PENDING | 训练待开始。 |
QUEUING | 训练正在排队(同时只有一个训练任务可以进行) |
RUNNING | 训练正在进行中。 |
CANCELING | 训练正在取消中。 |
SUCCEEDED | 训练成功。 |
FAILED | 训练失败。 |
CANCELED | 训练已经取消。 |
说明训练成功后,finetuned_output指的是调优成功后的模型 ID,可用于模型部署。
获取调优任务日志
HTTP
curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/logs?offset=0&line=1000' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
可通过 offset 和 line 两个参数获取特定行数区间的日志。 Offset 用于设置日志输出开始的位置;line 用于设置日志最多输出多少行。
返回结果样例:
{
"request_id":"1100d073-4673-47df-aed8-c35b3108e968",
"output":{
"total":57,
"logs":[
"{输出调优日志1}",
"{输出调优日志2}",
...
...
...
]
}
}
查询与发布模型参数快照
仅 SFT微调训练(
efficient_sft、sft)支持保存和发布其中间状态的模型参数快照(Checkpoint)。
查询调优任务的参数快照列表
curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/checkpoints' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
输入参数
字段 | 类型 | 传参方式 | 必选 | 描述 |
|---|---|---|---|---|
job_id | String | Path Parameter | 是 | 要查询的调优任务的ID。 |
说明checkpoint指的是 Checkpoint ID,用于在模型发布(可选) API 中指定要发布的快照;model_name指的是模型 ID,可用于模型部署。(finetuned_output 输出的是最后一个 checkpoint 的 model_name)
{
"request_id": "c11939b5-efa6-4639-97ae-ed4597984647",
"output":
[
{
"create_time": "2025-11-11T16:25:42",
"full_name": "ft-202511272033-8ae7-checkpoint-20",
"job_id": "ft-202511272033-8ae7",
"checkpoint": "checkpoint-20",
"model_name": "qwen3-8b-instruct-ft-202511272033-8ae7",
"status": "SUCCEEDED"
}
]
}
快照发布状态 (status) | 含义 |
|---|---|
PENDING | |
PROCESSING | 快照(Checkpoint)发布中。 |
SUCCEEDED | 快照(Checkpoint)发布成功。可直接进行模型部署&调用。 |
FAILED | 快照(Checkpoint)发布失败。 |
模型发布(可选)
说明在百炼平台上,模型调优完成后可以导出参数快照,导出后才能基于此版本的参数快照在百炼上进行模型部署。
导出的参数快照保存在云存储中,暂不支持访问或下载。
说明URL 中的 <checkpoint_id> 取值来自上一步查询快照列表接口返回的 checkpoint 字段(如 checkpoint-20),而非 full_name 或其他含 job_id 前缀的字段值。
curl --request GET 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/export/<checkpoint_id>?model_name=<model_name>' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
输入参数
字段 | 类型 | 传参方式 | 必选 | 描述 |
|---|---|---|---|---|
job_id | String | Path Parameter | 是 | 要查询的调优任务的 ID。 |
checkpoint_id | String | Path Parameter | 是 | 要发布的 Checkpoint ID。取值为查询快照列表接口返回的 |
model_name | String | Path Parameter | 是 | 发布后期望的模型 ID。 |
{
"request_id": "ed3faa41-6be3-4271-9b83-941b23680537",
"output": true
}
由于发布任务是异步执行的,请使用查询快照列表 API 观察快照发布状态。
模型调优的更多操作
列举调优任务列表
curl 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
中止调优任务
智能终止正在训练中的调优任务
curl --request POST 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>/cancel' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
删除调优任务
无法删除正在训练中的调优任务
curl --request DELETE 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<job_id>' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json'
模型部署&调用
模型部署
请前往模型部署控制台部署模型。
模型调用
当模型部署状态为RUNNING时,可以像调用其他模型一样使用调优后的模型。
也可以前往模型部署控制台界面获取模型code。
更多使用方法和参数设置请前往DashScope API 参考。
curl 'https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation' \
--header 'Authorization: Bearer '${DASHSCOPE_API_KEY} \
--header 'Content-Type: application/json' \
--data '{
"model": "<替换为部署任务成功后的模型实例 ID>",
"input":{
"messages":[
{
"role": "user",
"content": "你是谁?"
}
]
},
"parameters": {
"result_format": "message"
}
}'