Стартиране на фина настройка чрез API
На тази страница
Актуализация от 2 ноември 2026 г. — Наличност на фина настройка. Услугата за самостоятелна фина настройка на OpenAI се прекратява постепенно: към 7 май 2026 г. организациите, които никога не са стартирали задача за фина настройка, вече не могат да създават такива; от 2 юли насам трябва да сте използвали фина настроен модел през последните 60 дни; а считано от 6 януари 2027 г., никой клиент няма да може да стартира нови задачи. Вече обучените модели остават използваеми до оттеглянето на базовия им модел. Този курс остава полезен за разбиране и използване на съществуващ модел; за нови проекти дайте приоритет на инженерството на подкани (prompt engineering), RAG и оценяването.
Преглед на процеса
Вашите данни са готови, валидирани и разделени на обучаващи и валидационни множества. Самото обучение се свежда до три стъпки: качване на файла с данни, създаване на задача за фина настройка и изчакване на приключването ѝ. Всичко преминава през официалния Python SDK и ще видите, че кодът се събира в около тридесет реда – по-голямата част от работата беше извършена предварително.
Инсталиране и конфигуриране на SDK
Клиентът се инстанцира без аргументи: той автоматично прочита променливата на средата OPENAI_API_KEY.
# Инсталиране
# pip install openai
from openai import OpenAI
# Клиентът автоматично използва променливата на средата OPENAI_API_KEY
client = OpenAI()
Уверете се, че тази променлива е зададена преди стартиране на скрипта, в противен случай инстанцирането ще се провали при първата заявка. В производствена среда никога не вграждайте ключа си директно в кода: ключ, записан като обикновен текст, попада в историята на Git, а премахването му впоследствие е много по-скъпо от четенето му от средата още от първия ден.
Качване на файлове
Качването използва purpose="fine-tune", което указва на OpenAI, че файлът е предназначен за обучение, и задейства съответните проверки за формат. Качете валидационния файл веднага: технически той е по избор, но без него обучението протича на сляпо, тъй като липсата на загуба при валидация няма да сигнализира за преобучаване (overfitting) по време на изпълнението на задачата.
# Качване на обучаващ файл
training_file = client.files.create(
file=open("training_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"File ID: {training_file.id}")
print(f"Status: {training_file.status}")
# По избор: качване на валидационен файл
validation_file = client.files.create(
file=open("validation_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"Validation ID: {validation_file.id}")
Файлът преминава през фаза на обработка от страна на OpenAI. Изчакайте статусът да стане processed, преди да стартирате задачата: задача, създадена върху файл, който все още се обработва, ще се провали и ще загубите няколко минути в търсене на несъществуваща причина във вашия JSONL.
Създаване на задача за фина настройка
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
validation_file=validation_file.id, # по избор, но препоръчително
model="gpt-5.6-luna", # или "gpt-5.6-luna"
suffix="my-assistant-v1" # суфикс за идентифициране на вашия модел
)
print(f"Job ID: {job.id}")
print(f"Status: {job.status}")
print(f"Base model: {job.model}")
Параметърът suffix се добавя към името на фина настройвания ви модел: със стойност "my-assistant-v1", полученият модел ще се казва ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Придобийте навика да поставяте там случая на употреба и номер на версия. Денят, в който три модела съществуват едновременно във вашия акаунт, това е единственото нещо, което ще ви позволи да разберете кой какво прави, без да отваряте конзолата.
Проследяване на напредъка
Една задача преминава последователно през няколко статуса, а retrieve ви дава текущия такъв по всяко време.
# Получаване на статуса на задачата
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Възможни статуси: validating_files, queued, running, succeeded, failed, cancelled
Самият статус остава лаконичен. Събитията обаче разказват цялата история: валидиране на файлове, старт, прогрес стъпка по стъпка, край.
# Преглед на събитията по задачата
events = client.fine_tuning.jobs.list_events(
fine_tuning_job_id=job.id,
limit=20
)
for event in events.data:
print(f"[{event.created_at}] {event.message}")
Вместо да извиквате retrieve ръчно на всеки пет минути, обвийте изчакването в цикъл, който връща контрола веднага щом задачата достигне крайно състояние. Имайте предвид, че трите изходни случая се обработват отделно: една отменена задача не е неуспешна задача и ще искате да ги разграничавате във вашите логове.
import time
def track_job(client: OpenAI, job_id: str, interval: int = 30):
"""Проследява задача за фина настройка до приключване."""
while True:
job = client.fine_tuning.jobs.retrieve(job_id)
print(f"Status: {job.status}")
if job.status == "succeeded":
print(f"Fine-tuned model: {job.fine_tuned_model}")
return job
if job.status == "failed":
print(f"Failure: {job.error}")
return job
if job.status == "cancelled":
print("Job cancelled.")
return job
time.sleep(interval)
# Използване
final_job = track_job(client, job.id)
Използване на фина настройвания модел
След като задачата приключи успешно, вашият модел се извиква точно като стандартен модел. Променя се единствено стойността, подадена на model, което означава, че преминаването към вашия персонализиран модел се свежда до модифициране на конфигурационна променлива в съществуващо приложение.
response = client.responses.create(
model=final_job.fine_tuned_model, # напр. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
input="Hello, I have a problem with my order."
)
print(response.output_text)
Управление на вашите задачи
Два извиквания са достатъчни за администриране на всичко: изброяване на съществуващите и прекъсване на работещите. Отмяната е полезна веднага щом мониторингът покаже, че обучението излиза от релси – няма смисъл да плащате за токени от задача, за която вече знаете, че ще произведе лош модел.
# Изброяване на всички ваши задачи за фина настройка
jobs = client.fine_tuning.jobs.list(limit=10)
for j in jobs.data:
print(f"{j.id} | {j.status} | {j.model} | {j.fine_tuned_model}")
# Отмяна на работеща задача
client.fine_tuning.jobs.cancel(job.id)
Разходи и продължителност
Обучението се таксува според броя обработени токени. Продължителността обаче зависи от размера на вашите данни и броя на епохите.
| Размер на набора от данни | Продължителност на обучението |
|---|---|
| 50 примера | Няколко минути |
| 500 примера | 15 до 30 минути |
| 5 000 примера | 1 до 2 часа |
Тези порядъци главно ви помагат да оразмерите работния си цикъл: при няколко минути на изпълнение, правите итерации в рамките на една сесия; при два часа – планирате предварително. Точните цени варират според избрания модел; проверете страницата с цени на OpenAI за актуални тарифи.
Ключови изводи
- Работният поток е: качване на файл, създаване на задача, изчакване, използване на модела
- Добавете описателен
suffix, за да идентифицирате лесно моделите си - Винаги използвайте валидационен файл за оценка на качеството
- Фина настройваният модел се използва точно като базовия модел чрез API
- Пазете идентификаторите на задачите и моделите си – ще ви трябват за версиониране