Skip to main content
El fine-tuning en Pioneer adapta un modelo base a tu tarea y dominio específicos usando tu dataset etiquetado. Envías un trabajo de entrenamiento a través de la API, Pioneer gestiona la computación y tú recibes un modelo entrenado al que puedes llamar para inferencia o descargar. Todo el proceso es asíncrono: inicias el trabajo y luego sondeas hasta que termina. Los nuevos trabajos de entrenamiento de Pioneer usan fine-tuning supervisado (SFT). Consulta la guía de fine-tuning de LLM para conocer el formato de los datasets y ver ejemplos de entrenamiento de decoders.

​
Ciclo de vida de un trabajo de entrenamiento

El campo status de un trabajo de entrenamiento pasa por varios estados. La ruta principal es:
1

requested

Tu trabajo se ha aceptado y está en cola para ejecutarse. Pioneer está asignando cómputo.
2

running

El entrenamiento se está ejecutando activamente en el proveedor.
3

complete

El entrenamiento en GPU ha finalizado con éxito. Las métricas de pérdida están disponibles en el registro del trabajo (consulta Sondear el estado y leer métricas), y los checkpoints están listos para descargar o desplegar.
4

normalizing / artifact_ready

Pasos intermedios de post-entrenamiento. Pioneer está normalizando y empaquetando el artefacto entrenado. Normalmente solo verás estos estados de forma transitoria entre complete y deployed.
5

deployed

El adaptador entrenado está activo en un proveedor de inferencia y listo para servir solicitudes vía model_id.
Un trabajo también puede terminar en errored (ocurrió un error durante el entrenamiento), stopped (lo detuviste de forma controlada con POST /felix/training-jobs/:id/stop; los checkpoints se conservan), terminated (llamaste a POST /felix/training-jobs/:id/terminate, que detiene el trabajo y elimina permanentemente sus checkpoints; es irreversible) o paused.

​
Parámetros clave

base_model es obligatorio y debe coincidir con la forma de un ID de modelo o UUID, no con una cadena libre. Omitirlo o enviar un valor mal formado devuelve 422. Un valor bien formado que no coincida con ningún modelo disponible para entrenamiento devuelve 400.

​
Iniciar un trabajo de entrenamiento

La respuesta devuelve el registro completo del trabajo de inmediato, incluidos un UUID id y el estado inicial:
Guarda el id: lo usarás para sondear el estado, recuperar métricas y ejecutar inferencia contra tu modelo entrenado.

​
Sondear el estado y leer métricas

Sondea el endpoint del trabajo hasta que status alcance un valor terminal: complete, deployed, errored, stopped o terminated:
El campo metrics siempre incluye valores de pérdida en cuanto el entrenamiento comienza, además de F1/precision/recall/accuracy si se ha ejecutado una evaluación aparte contra el modelo resultante:
Para recuperar líneas estructuradas de stdout/stderr del trabajo:
Esto devuelve una lista JSON de entradas de log ({id, timestamp, level, message, source}). Es una consulta puntual, no un stream en vivo. Sondéalo periódicamente mientras el trabajo esté en running para seguir el progreso.

​
Detener o terminar un trabajo

Para detener de forma controlada un trabajo en ejecución preservando sus checkpoints:
El estado del trabajo cambia a stopped. Los checkpoints guardados antes de la detención siguen disponibles para desplegar o descargar. Para finalizar permanentemente un trabajo y eliminar sus checkpoints, usa /terminate:
/terminate detiene el trabajo del proveedor si aún se está ejecutando y elimina permanentemente todos sus checkpoints. Es irreversible. Usa /stop si quieres conservar los checkpoints entrenados hasta ese momento.

​
Checkpoints y descarga de pesos

Pioneer guarda checkpoints durante el entrenamiento. Puedes listarlos en cualquier momento tras iniciar el trabajo:
Cada checkpoint incluye las banderas is_best, is_final e is_deployable. Puedes desplegar cualquier checkpoint desplegable, no solo el final, en un endpoint de inferencia activo:
Para descargar los pesos, solicita una URL prefirmada (requiere plan Pro o superior; en caso contrario, esta llamada devuelve 403):
La respuesta es JSON con un download_url que expira en 1 hora. Descarga esa URL por separado para obtener el archivo real:
También puedes usar un UUID de checkpoint como valor de base_model en un nuevo trabajo de entrenamiento para continuar el entrenamiento desde ese checkpoint.

​
Resumen de endpoints de entrenamiento