Skip to main content
Mit der Pioneer REST API können Sie Inferenzen ausführen, Datensätze verwalten, Trainingsjobs starten und Modelle programmatisch evaluieren. Alle Ressourcen liegen unter einer einzigen Basis-URL, und jede Anfrage wird mit Ihrem API-Schlüssel authentifiziert. Pioneer stellt außerdem OpenAI- und Anthropic-kompatible Endpunkte bereit, sodass Sie sich in jedes Tool integrieren können, das diese Formate bereits unterstützt. Basis-URL: https://api.pioneer.ai

​
Authentifizierung

Jede Anfrage erfordert einen X-API-Key-Header. Erstellen Sie Ihren Schlüssel im Pioneer-Dashboard unter agent.pioneer.ai/api-keys oder öffnen Sie nach der Anmeldung Settings -> API Keys. Weitere Details, einschließlich der Endpunkte zur Schlüsselverwaltung, finden Sie auf der Seite Authentifizierung.

​
Empfohlener Workflow

Folgen Sie dieser Reihenfolge, wenn Sie ein feinabgestimmtes Modell durchgängig aufbauen:
1

Einen Datensatz erstellen oder hochladen

Verwenden Sie POST /generate, um synthetische, gelabelte Daten zu erzeugen. Die Antwort enthält eine job_id; fragen Sie GET /generate/jobs/{job_id} ab, bis der Status ready zurückgibt.Um eigene gelabelte Daten hochzuladen, verwenden Sie den dreistufigen Upload-Ablauf:
  1. Rufen Sie POST /felix/datasets/upload/url auf, um eine vorsignierte S3-URL zu erhalten.
  2. Führen Sie einen PUT Ihrer Datei direkt an S3 aus.
  3. Rufen Sie POST /felix/datasets/upload/process auf, um die Verarbeitung anzustoßen.
Fragen Sie GET /felix/datasets/{name}/{version} ab, bis der Status ready ist.
Weitere Details finden Sie auf der Seite Datensätze.
2

Einen Trainingsjob starten

Rufen Sie POST /felix/training-jobs mit Ihrem model_name, Ihren datasets und base_model auf. Die Antwort enthält eine job_id. Bewahren Sie diese für die folgenden Schritte auf.
3

Trainingsstatus abfragen

Rufen Sie GET /felix/training-jobs/:id wiederholt auf, bis das Statusfeld complete ist. Abgeschlossene Jobs enthalten F1-, Precision- und Recall-Metriken.
4

Eine Evaluation ausführen

Rufen Sie POST /felix/evaluations mit Ihrer Trainingsjob-ID und dem Namen eines zurückgehaltenen Datensatzes auf, um die Leistung zu validieren, bevor Sie Traffic bereitstellen.
5

Inferenz ausführen

Rufen Sie POST /inference auf, wobei base_model auf Ihre Trainingsjob-ID und dataset_name auf Ihren zurückgehaltenen Datensatz gesetzt sind. Sie können auch jede beliebige Basismodell-ID (zum Beispiel fastino/gliner2-base-v1) ohne Fine-Tuning verwenden.
Ersetzen Sie Platzhalterwerte wie YOUR_DATASET_NAME und YOUR_TRAINING_JOB_ID durch echte Werte, bevor Sie Beispielbefehle ausführen.

​
Endpunktgruppen

Inferenz

Führen Sie Vorhersagen gegen feinabgestimmte oder Basismodelle im Pioneer-Format aus, oder über Drop-in-kompatible OpenAI- und Anthropic-Endpunkte.

Training & Daten

Verwalten Sie Datensätze, erzeugen Sie synthetische Trainingsdaten, starten und überwachen Sie Trainingsjobs und führen Sie Evaluationen aus.

Projekte

Organisieren Sie Ressourcen in Projekten, stellen Sie trainierte Modelle bereit und führen Sie Inferenzen gegen einen Projekt-Endpunkt aus.

API-Schlüssel

Erstellen Sie Schlüssel im Dashboard und listen und widerrufen Sie bestehende Schlüssel dann programmatisch.

​
OpenAI- und Anthropic-Kompatibilität

Pioneer bietet Drop-in-Ersatz für die OpenAI- und Anthropic-SDKs. Richten Sie Ihren bestehenden Client auf https://api.pioneer.ai/v1 aus und verwenden Sie Ihren Pioneer-API-Schlüssel. Weitere Änderungen sind nicht erforderlich. Übergeben Sie Pioneer-spezifische Felder wie schema über extra_body (OpenAI SDK) oder den entsprechenden Mechanismus für zusätzliche Parameter Ihrer Client-Bibliothek.