Skip to main content
L’API REST Pioneer vous permet d’exécuter de l’inférence, de gérer des datasets, de lancer des jobs d’entraînement et d’évaluer des modèles de manière programmatique. Toutes les ressources sont accessibles sous une seule URL de base, et chaque requête est authentifiée avec votre clé API. Pioneer expose également des endpoints compatibles OpenAI et Anthropic, afin que vous puissiez intégrer n’importe quel outil qui prend déjà en charge ces formats. URL de base : https://api.pioneer.ai

​
Authentification

Chaque requête nécessite un en-tête X-API-Key. Créez votre clé dans le tableau de bord Pioneer à l’adresse agent.pioneer.ai/api-keys, ou ouvrez Settings -> API Keys après vous être connecté. Consultez la page Authentification pour tous les détails, y compris les endpoints de gestion des clés.

​
Workflow recommandé

Suivez cette séquence lorsque vous construisez un modèle fine-tuné de bout en bout :
1

Créer ou téléverser un dataset

Utilisez POST /generate pour générer des données étiquetées synthétiques. La réponse inclut un job_id, interrogez GET /generate/jobs/{job_id} jusqu’à ce que le statut renvoie ready.Pour téléverser vos propres données étiquetées, utilisez le flux de téléversement en trois étapes :
  1. Appelez POST /felix/datasets/upload/url pour obtenir une URL S3 pré-signée,
  2. Effectuez un PUT de votre fichier directement vers S3
  3. Appelez POST /felix/datasets/upload/process pour déclencher le traitement.
Interrogez GET /felix/datasets/{name}/{version} jusqu’à ce que le statut soit ready.
Consultez la page Datasets pour tous les détails.
2

Lancer un job d'entraînement

Appelez POST /felix/training-jobs avec vos model_name, datasets et base_model. La réponse inclut un job_id. Enregistrez-le pour les étapes suivantes.
3

Interroger le statut de l'entraînement

Appelez GET /felix/training-jobs/:id de manière répétée jusqu’à ce que le champ status soit complete. Les jobs terminés incluent les métriques F1, precision et recall.
4

Exécuter une évaluation

Appelez POST /felix/evaluations avec votre ID de job d’entraînement et le nom d’un dataset de test pour valider les performances avant de servir du trafic.
5

Exécuter une inférence

Appelez POST /inference avec base_model défini sur votre ID de job d’entraînement et dataset_name défini sur votre dataset de test. Vous pouvez également utiliser n’importe quel ID de modèle de base (par exemple fastino/gliner2-base-v1) sans fine-tuning.
Remplacez les valeurs fictives telles que YOUR_DATASET_NAME et YOUR_TRAINING_JOB_ID par des valeurs réelles avant d’exécuter les commandes d’exemple.

​
Groupes d’endpoints

Inférence

Exécutez des prédictions sur des modèles fine-tunés ou de base en utilisant le format Pioneer, ou via des endpoints compatibles OpenAI et Anthropic prêts à l’emploi.

Entraînement & Données

Gérez les datasets, générez des données d’entraînement synthétiques, lancez et surveillez les jobs d’entraînement, et exécutez des évaluations.

Projets

Organisez les ressources en projets, déployez des modèles entraînés et exécutez de l’inférence sur un endpoint de projet.

Clés API

Créez des clés dans le tableau de bord, puis listez et révoquez les clés existantes de manière programmatique.

​
Compatibilité OpenAI et Anthropic

Pioneer expose des remplacements prêts à l’emploi pour les SDK OpenAI et Anthropic. Pointez votre client existant vers https://api.pioneer.ai/v1 et utilisez votre clé API Pioneer. Aucune autre modification n’est requise. Transmettez les champs spécifiques à Pioneer comme schema en utilisant extra_body (SDK OpenAI) ou le mécanisme de paramètres supplémentaires équivalent pour votre bibliothèque cliente.