如何通过API微调万相图生视频模型训练lora模型？ - 大模型服务平台百炼

本文档提供万相 图生视频模型 微调的完整 API 参考。

适用范围

适用地域：本文档仅适用于国际部署模式下的新加坡地域，且必须使用该地域的API Key。
配置环境变量：已成功获取API Key，并配置API Key到环境变量。
准备工作：
- 已阅读模型微调指南，了解支持微调的模型、微调步骤、数据格式以及计费说明。
- 下载数据集样例：
  - 图生视频-基于首帧：训练集、验证集。
  - 图生视频-基于首尾帧：训练集、验证集。

上传数据集

API描述：将本地的数据集（.zip 格式）上传到阿里云百炼平台，获取唯一的文件ID（id）。

说明

通过 API 上传时，zip 压缩包大小 ≤ 1GB。

请求接口

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

入参描述

字段

传参方式

类型

必选

描述

示例值

file

Body (form-data)

file

是

本地数据集文件（.zip格式）。

传参时需使用格式 files=@"<文件路径>"，路径可以是相对路径或绝对路径。

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

purpose

Body (form-data)

string

是

微调任务固定为 fine-tune。

fine-tune

出参描述

字段	类型	描述	示例值
id	string	文件ID。文件在平台内的唯一标识符，用于创建微调任务。	file-ft-b2416bacc4d742xxxx
object	string	上传类型。	file
bytes	integer	上传文件的字节数。	73310369
filename	string	文件名。	wan-i2v-training-dataset.zip
purpose	string	任务目标。微调任务固定为 fine-tune。	fine-tune
status	string	上传文件的状态。 processed表示已成功上传。	processed
created_at	integer	创建时间。格式为Unix 时间戳。	1766127125

请求示例

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"'

响应示例

请复制并保存 id，这是上传数据集的唯一标识。

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

创建微调任务

API描述：基于指定的基准模型和上传的数据集，启动模型微调训练任务。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
model	Body	string	是	指定微调所用的基准模型。图生视频-基于首帧：wan2.6-i2v、wan2.5-i2v-preview、wan2.2-i2v-flash 图生视频-基于首尾帧：wan2.2-kf2v-flash	wan2.5-i2v-preview
training_file_ids	Body	array[string]	是	训练集文件ID数组，可传入多个ID。	["file-ft-b2416bacc4d742xxxx"]
validation_file_ids	Body	array[string]	否	验证集文件ID数组，可传入多个ID。若不提供，系统会从训练集中自动划分。	-
training_type	Body	string	是	微调类型，当前仅支持`efficient_sft`（LoRA高效微调）。	efficient_sft
hyper_parameters	Body	object	否	超参数配置。	见下表

超参数（hyper_parameters）

初次训练时，推荐使用默认的超参数。若模型效果不佳或训练不收敛，可以尝试调整 n_epochs或learning_rate等参数。

字段	类型	必选	描述	默认值
batch_size	int	是	批次大小。一次性送入模型进行训练的数据条数。 wan2.6-i2v：推荐使用默认值，固定为2。 wan2.5-i2v-preview：推荐使用默认值，固定为2。 wan2.2-i2v-flash：推荐使用默认值，固定为4。 wan2.2-kf2v-flash：推荐使用默认值，固定为4。	wan2.6: 2 wan2.5: 2 wan2.2: 4
n_epochs	int	是	训练循环次数。训练总步数（steps）由训练轮数（n_epochs）、数据集大小和批大小（batch_size）共同决定，计算公式为：steps = n_epochs × 向上取整（数据集大小 / batch_size）。为确保模型充分训练，建议总训练步数不少于 800 步。推荐的最小训练轮数可按此公式估算：`n_epochs = 800 / 向上取整（数据集大小 / batch_size）`。例如：数据集有5条数据，batch_size为2，则每轮训练步数=向上取整（5/2）= 3，所需最小训练轮数n_epochs = 800 / 3 ≈ 267。此值为推荐最小值，可适当调高。	400
learning_rate	float	是	学习率。控制模型权重更新的幅度。过高可能导致模型变差，过低则变化不明显。推荐使用默认值。	2e-5
eval_epochs	int	是	验证间隔。取值需≥`n_epochs/10`。训练期间每隔多少个epoch进行一次验证评估，用于阶段性评估模型训练效果。	50
max_pixels	int	是	训练视频的最大分辨率。设置训练集中输入视频分辨率的像素总数（宽×高）限制。系统仅对超过该值的视频进行缩放处理，未超限的视频将保持原样。 wan2.6-i2v：默认 36864。取值范围：16384 (128×128) ～ 36864 (192×192)。 wan2.5-i2v-preview：默认 36864。取值范围：16384 (128×128) ～ 36864 (192×192)。 wan2.2-i2v-flash：默认 262144。取值范围：65536 (256×256) ～ 262144 (512×512)。 wan2.2-kf2v-flash：默认 262144。取值范围：65536 (256×256) ～ 262144 (512×512)。	wan2.6：36864 wan2.5：36864 wan2.2：262144
split	float	否	训练集划分比例。取值范围为 (0, 1)。仅在未指定`validation_file_ids`时生效。此参数用于从训练集中自动按比例拆分出验证集。例如，0.9表示90%训练集，10%验证集。最终验证集的数量还会受到`max_split_val_dataset_sample`的限制。	0.9
max_split_val_dataset_sample	int	否	从训练集中自动划分验证集的最大样本数。取值需≥1。仅在未指定`validation_file_ids`时生效。该参数为验证集数量设置了一个上限，具体为： `验证集数量 = min(数据集总数 × (1 − split), max_split_val_dataset_sample)` 例如：数据集共100条，split为0.9 （即取10%作验证集），max_split_val_dataset_sample为5。计算出的验证集为10条（100×0.1），但由于上限为5，最终只会使用5条数据作为验证集。	5
save_total_limit	int	否	Checkpoint 保存数量上限。限制最多保存的模型数量。系统将始终只保存训练生成的最后 N 个 Checkpoint（N 为该参数值）。	20
lora_rank	int	否	LoRA 低秩矩阵的维数。推荐使用默认值。该值决定了微调参数量的大小。数值越大，模型拟合能力越强，但训练速度会变慢。取值必须为2ⁿ（如 16、32、64）。	32
lora_alpha	int	否	LoRA 权重的缩放系数。推荐使用默认值。用于调节微调后的参数对原模型权重的影响程度（通常与 lora_rank 配合使用）。取值必须为2ⁿ（如 16、32、64）。	32

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	任务详情。	-
output.job_id	string	模型微调任务唯一标识，用于后续查询任务状态。	ft-202511111122-xxxx
output.job_name	string	模型微调任务名称。	ft-202511111122-xxxx
output.status	string	微调训练任务的状态： 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。	PENDING
output.finetuned_output	string	微调后产出的新模型名称。部署和调用时需要用到。	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model	string	使用的基准模型。	wan2.5-i2v-preview
output.base_model	string	使用的基准模型。	wan2.5-i2v-preview
output.training_file_ids	array	使用的训练集文件ID列表。	["file-ft-b2416bacc4d742xxxx"]
output.validation_file_ids	array	使用的验证集文件ID列表。若未上传验证集，为空列表。	[]
output.hyper_parameters	object	实际使用的超参数。	{...}
output.training_type	string	模型微调的训练方式。固定为efficient_sft。	efficient_sft
output.create_time	string	任务创建时间。	2025-11-11 11:22:22
output.workspace_id	string	阿里云百炼API Key所属的业务空间ID。请参见获取Workspace ID。	llm-xxxxxxxxx
output.user_identity	string	用户标识，阿里云账号ID。	12xxxxxxx
output.modifier	string	修改人的阿里云账号ID。	12xxxxxxx
output.creator	string	创建人的阿里云账号ID。	12xxxxxxx
output.group	string	模型微调任务分组。	llm
output.max_output_cnt	integer	训练期间最多保存的 checkpoint 数量。等同于超参数save_total_limit参数的值。	8

请求示例

请将<替换为训练数据集的文件id>完整替换为上传数据集获取的文件ID。

图生视频-基于首帧

Wan2.6模型

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":[
        "<替换为训练数据集的文件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模型

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":[
        "<替换为训练数据集的文件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模型

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":[
        "<替换为训练数据集的文件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
    }
}'

图生视频-基于首尾帧

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":[
        "<替换为训练数据集的文件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
    }
}'

上传多个训练集和验证集

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.5-i2v-preview",
    "training_file_ids":[
        "<替换为训练集的文件id_1>",
        "<替换为训练集的文件id_2>"
    ],
    "validation_file_ids":[
         "<替换为验证集的文件id_1>",
         "<替换为验证集的文件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
    }
}'

响应示例

重点关注这两个参数：output.job_id（任务ID）、output.finetuned_output（微调后产出的新模型名称）。

{
    "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
    }
}

查询微调任务状态

API描述：通过 job_id 查询微调任务进度。轮询此接口，当任务状态status 变为 SUCCEEDED，表示模型训练成功完成。

说明

本文示例的微调任务训练需要数小时，具体耗时根据基础模型而定，请耐心等待。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
job_id	Path parameter	string	是	微调任务ID。	ft-202511111122-xxxx

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	任务详情。	-
output.job_id	string	模型微调任务唯一标识，用于后续查询任务状态。	ft-202511111122-xxxx
output.job_name	string	模型微调任务名称。	ft-202511111122-xxxx
output.status	string	微调训练任务的状态。 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。	PENDING
output.finetuned_output	string	微调后产出的新模型名称。	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model	string	使用的基准模型。	wan2.5-i2v-preview
output.base_model	string	使用的基准模型。	wan2.5-i2v-preview
output.training_file_ids	array	使用的训练集文件ID列表。	["file-ft-b2416bacc4d742xxxx"]
output.validation_file_ids	array	使用的验证集文件ID列表。若未上传验证集，为空列表。	[]
output.hyper_parameters	object	实际使用的超参数。	{...}
output.training_type	string	模型微调的训练方式。固定为efficient_sft。	efficient_sft
output.create_time	string	微调任务创建时间。	2025-11-11 11:22:22
output.end_time	string	微调任务完成时间。	2025-11-11 16:49:01
output.workspace_id	string	阿里云百炼API Key所属的业务空间ID。请参见获取Workspace ID。	llm-xxxxxxxxx
output.user_identity	string	用户标识，阿里云账号ID。	12xxxxxxx
output.modifier	string	修改人的阿里云账号ID。	12xxxxxxx
output.creator	string	创建人的阿里云账号ID。	12xxxxxxx
output.group	string	模型微调任务分组。	llm
output.max_output_cnt	integer	最多保存的 checkpoint 数量。等同于超参数`save_total_limit`的值。	8
output.output_cnt	integer	实际保存的 checkpoint 数量。该值小于或等于`output.max_output_cnt`。	8
output.usage	integer	训练消耗的总Token数量，用于模型训练计费。	432000

请求示例

请将 URL 中的 <替换为微调任务job_id> 完整替换为创建微调任务输出参数job_id的值。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

关注两个参数：output.status（状态为SUCCEEDED，表示训练完成）、output.usage（训练消耗的总Token数量）。

{
    "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
    }
}

部署模型

API描述：将训练好的模型发布为在线 API 服务。请先查询微调任务状态，确保模型训练任务的状态status 为 SUCCEEDED。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
model_name	Body	string	是	待部署的模型名称。部署微调接口产出的模型：填写创建微调任务输出参数 `output.finetuned_output` 的值。部署导出的模型：填写查询导出的模型详情输出参数`output[].model_name`的值。	wan2.5-i2v-preview-ft-202511111122-xxxx
capacity	Body	integer	是	部署的模型实例数量。推荐设置为1。	1
plan	Body	string	是	部署方式。LoRA高效微调固定为`lora`。	lora
aigc_config	Body	object	是	提示词配置。	-
aigc_config.use_input_prompt	Body	boolean	是	用于控制 API 调用时的提示词生成逻辑。 `false`（默认值）：自动生成模式。系统忽略在 API 接口传入的 prompt，强制使用下方两个参数配置的模板，自动生成提示词。 `true`：手动传入模式。系统直接使用在 API 接口传入的 prompt。下方配置的模板参数将全部失效。	false
aigc_config.prompt	Body	string	是	预设的Prompt模板。仅在`use_input_prompt=false`时生效。在模型调用时，系统会分析输入图像，将画面内容填入该模板，自动生成带特效指令的完整描述。注意：此参数会自动覆盖模型调用接口中传入的 prompt 参数。	根据图像内容提供视频描述... 请参见请求示例
aigc_config.lora_prompt_default	Body	string	是	备用Prompt模板。仅在`use_input_prompt=false`时生效。当使用`aigc_config.prompt`生成失败时，将使用此参数来生成视频。	然后开始展示s86b5p金钱雨特效... 请参见请求示例

关于aigc_config.prompt参数说明

为什么要设置这个参数？
如果不设置此参数，每次调用模型都需要手动编写完整 Prompt；设置后，调用微调模型时，只需上传图片，系统会根据此参数自动补全特效指令，无需手动输入 Prompt。

如何设置？

Prompt = 任务指令（告诉模型要做什么）+ 输出模板（规范输出格式）+ 示例（让模型学习示例结构）。

根据图像内容提供视频描述，描述必须包含“然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她（他）。钞票持续落下，同时镜头缓缓拉进，她（他）双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中”。
输出模版:
视频开头展示了[主体描述]。[环境描述]。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她（他）。钞票持续落下，同时镜头缓缓拉进，她（他）双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。
示例:
视频开头展示了一位年轻女性在海滩上的场景。她的头发湿漉漉的，呈现出深棕色，卷曲且略显凌乱。她的脸上带着灿烂的笑容。背景是波涛汹涌的海浪和远处的山脉。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她。钞票持续落下，同时镜头缓缓拉进，她双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。

关于“输出模板”描述，请参见视频标注：为视频编写Prompt。

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	任务详情。	-
output.deployed_model	string	部署模型的唯一标识。用于查询模型部署状态和调用模型。	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model_name	string	模型标识名。	wan2.5-i2v-preview-ft-202511111122-xxxx
output.status	string	部署状态： PENDING：部署中 RUNNING：运行中 FAILED：部署失败	PENDING
output.base_model	string	使用的基准模型。	wan2.5-i2v-preview
output.gmt_create	string	部署任务创建时间。	2025-11-11T17:46:53.294
output.gmt_modified	string	部署任务更新时间。	2025-11-11T17:46:53.294
output.workspace_id	string	阿里云百炼API Key所属的业务空间ID。请参见获取Workspace ID。	llm-xxxxxxxxx
output.charge_type	string	付费模式。post_paid表示后付费。	post_paid
output.creator	string	创建人的阿里云账号ID。	12xxxxxxx
output.modifier	string	修改人的阿里云账号ID。	12xxxxxxx
output.plan	string	部署方式。	lora

请求示例

请将 <替换为模型名称model_name> 完整替换为创建微调任务输出参数finetuned_output的值。

图生视频-基于首帧

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<替换为模型名称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"
}'

图生视频-基于首尾帧

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<替换为模型名称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"
}'

响应示例

关注两个参数：output.deployed_model（部署模型的唯一标识）、output.status（状态为PENDING，表示部署中）。

{
    "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"
    }
}

查询模型部署状态

API描述：轮询此接口，当任务状态status 变为 RUNNING，表示模型已部署成功。

说明

本文示例的微调模型，部署过程预计需要 5～10分钟。

请求接口

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

入参描述

字段

传参方式

类型

必选

描述

示例值

deployed_model

Path parameter

string

是

部署模型的唯一标识。

填写部署模型输出参数 output.deployed_model 的值。

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

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	object	任务详情。	-
output.deployed_model	string	部署模型的唯一标识。用于后续调用模型。	wan2.5-i2v-preview-ft-202511111122-xxxx
output.model_name	string	模型标识名。	wan2.5-i2v-preview-ft-202511111122-xxxx
output.status	string	部署状态： PENDING：部署中 RUNNING：运行中 ARREARS_DOWN：欠费停服 ARREARS_RECOVERING：欠费停服恢复中 FAILED：部署失败 OFFLINING：服务下线中 UPDATING：变配中 UPDATING_FAILED：变配失败	RUNNING
output.base_model	string	使用的基准模型。	wan2.5-i2v-preview
output.gmt_create	string	部署任务创建时间。	2025-11-11T17:46:53.294
output.gmt_modified	string	部署任务更新时间。	2025-11-11T18:02:2
output.workspace_id	string	阿里云百炼API Key所属的业务空间ID。请参见获取Workspace ID。	llm-xxxxxxxxx
output.charge_type	string	付费模式。post_paid表示后付费。	post_paid
output.creator	string	创建人的阿里云账号ID。	12xxxxxxx
output.modifier	string	修改人的阿里云账号ID。	12xxxxxxx
output.plan	string	部署方式。	lora

请求示例

请将 <替换为deployed_model> 完整替换为部署模型输出参数 output.deployed_model 的值。

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

响应示例

关注status字段。当状态变为 RUNNING 时，表示模型已部署成功，可以开始调用。

{
    "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"
    }
}

调用模型生成视频

调用微调后的LoRA模型，请参见调用模型生成视频。

Checkpoint 管理

1. 查询Checkpoint列表

API描述：获取通过验证集成功生成预览视频的 Checkpoint列表，验证失败的不会列出。

使用限制：该接口需在模型微调训练完成后调用，否则将返回空列表。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
job_id	Path parameter	string	是	微调任务ID。	ft-202511111122-xxxx

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	array[string]	Checkpoint列表。	-
output[].checkpoint	string	Checkpoint名称。	checkpoint-160

请求示例

请将 URL 中的 <替换为微调任务job_id> 完整替换为创建微调任务输出参数job_id的值。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/validation-results' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

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

2. 查询Checkpoint验证结果

API描述：根据checkpoint（例如“checkpoint-160”），查看其生成的视频效果。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
job_id	Path parameter	string	是	微调任务ID。	ft-202511111122-xxxx
checkpoint	Path parameter	string	是	Checkpoint名称。	checkpoint-160
page_no	Query parameter	integer	否	页码。默认为1。	1
page_size	Query parameter	integer	否	每页数量。默认为10。	10

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	375b3ad0-d3fa-451f-b629-xxxxxxx
output	object	输出结果。	-
output.page_no	integer	页码。	1
output.page_size	integer	每页数量。	10
output.total	integer	验证集列表总数量。	1
output.list	array[object]	验证集列表。	-
output.list[].video_path	string	通过Checkpoint生成的视频。 video_path有效期为24小时，请及时下载视频。	https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.mp4?Expires=xxxx
output.list[].prompt	string	验证数据的prompt。从数据集的标注文件data.jsonl获得。	视频开头展示了一位年轻男性坐在咖啡馆的场景...
output.list[].first_frame_path	string	验证的图像地址。系统会读取数据集中的图像，并生成一个公网URL地址。	https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg

请求示例

<替换为微调任务job_id>：完整替换为创建微调任务输出参数job_id的值。
<替换为选择的checkpoint>：完整替换为选定的Checkpoint名称，例如“checkpoint-160”。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/validation-details/<替换为选择的checkpoint>?page_no=1&page_size=10' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

video_path有效期为24小时，请及时下载视频。

{
    "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": "视频开头展示了一位年轻男性坐在咖啡馆的场景。他穿着一件米色的Polo衫，神情专注且略显沉思，手指轻轻托着下巴。他的面前摆放着一杯热气腾腾的咖啡，背景是木质条纹的墙壁和一个装饰牌。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕他。钞票持续落下，他双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。",
                "first_frame_path": "https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg"
            }
        ]
    }
}

3. 导出Checkpoint

API描述：将Checkpoint导出为可部署模型。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
job_id	Path parameter	string	是	微调任务ID。	ft-202511111122-xxxx
checkpoint	Path parameter	string	是	Checkpoint名称。	checkpoint-160
model_name	Query parameter	string	是	用于在控制台中展示的导出模型名称。该名称需全局唯一，建议使用中英文、数字、下划线（_）和短横线（-）字符。请注意：此参数仅用于控制台显示，实际导出的模型名称以查询导出的模型详情输出参数`output[].model_name`为准。	wan2.5-i2v-preview-ft-202511111122-xxxx

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

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

output

boolean

导出请求是否提交成功。

true：表示导出请求提交成功。
false：表示导出请求提交失败，建议重试。

true

请求示例

<替换为微调任务job_id>：完整替换为创建微调任务输出参数job_id的值。
<替换为待导出的checkpoint>：完整替换为checkpoint的值，例如“checkpoint-160”。
<替换为控制台展示的导出模型名称>：完整替换为自定义的模型名称，仅用于控制台展示。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/export/<替换为待导出的checkpoint>?model_name=<替换为控制台展示的导出模型名称>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

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

4. 查询导出模型详情

API描述：查询所有Checkpoint的状态，确认导出已完成，并获取它专属的、用于部署的新模型名称（model_name）。

请求接口

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

入参描述

字段	传参方式	类型	必选	描述	示例值
job_id	Path parameter	string	是	微调任务ID。	ft-202511111122-xxxx

出参描述

字段	类型	描述	示例值
request_id	string	请求的唯一标识符。	0eb05b0c-02ba-414a-9d0c-xxxxxxxxx
output	array[object]	Checkpoint列表详情。	-
output[].create_time	string	创建时间。	2025-11-11T13:27:29
output[].job_id	string	微调任务ID。	ft-202511111122-xxxx
output[].checkpoint	string	Checkpoint名称。	checkpoint-160
output[].full_name	string	Checkpoint完整名称标识。	ft-202511111122-496e-checkpoint-160
output[].model_name	string	导出后的模型名称。用于模型部署和调用。当`status`为SUCCEEDED时返回。	wan2.5-i2v-preview-ft-202511111122-xxxx-c160
output[].model_display_name	string	模型展示名称。	wan2.5-i2v-preview-ft-202511111122-xxxx
output[].status	string	模型导出状态： PENDING：排队中 PROCESSING：导出中 SUCCEEDED：导出成功 FAILED：导出失败 UNSUPPORTED：不支持导出	SUCCEEDED

请求示例

请将 <替换为微调任务job_id> 完整替换为创建微调任务输出参数job_id的值。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/checkpoints' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

请在返回列表中定位目标 Checkpoint（如 checkpoint-160）。当其状态变为 SUCCEEDED 时，表示导出成功，请务必获取并保存 model_name，它是后续模型部署与调用的唯一标识。

{
    "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" // 未导出的checkpoint，没有model_name字段
        },
        {
            "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", // 重要字段，用于模型部署和调用
            "model_display_name": "wan2.5-i2v-preview-ft-202511111122-xxxx", 
            "status": "SUCCEEDED" // 成功导出的checkpoint
        },
        ......
        
    ]
}

5. 部署和调用模型

在成功导出 Checkpoint 并获取 model_name 后，请按照以下步骤执行后续操作：

部署模型：在输入参数 model_name，填入导出后获取到的具体值。
查询模型部署状态
调用模型生成视频

微调任务管理

查询微调任务日志

请求示例

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/logs' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

{
    "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##"
        ]
    }
}

查询微调任务列表

请求示例

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

响应示例

{
    "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
            }
        ]
    }
}

取消微调任务

请求示例

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

响应示例

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

删除微调任务

请求示例

curl --location --request DELETE 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

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

部署模型管理

删除部署的模型服务

重要

执行该操作后，模型部署服务将立即下线且不可恢复：

模型将无法调用。
部署服务停止计费。

请求示例

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

响应示例

关注output.status参数：若值为 DELETING，表示删除请求已成功提交，正在删除模型服务。

{
    "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"
    }
}

之后，再调用查询模型部署状态进行验证。若返回如下内容，说明部署的服务已不存在，删除成功。

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