Start finjustering via API'en
På denne side
Opdatering 2. november 2026 — Tilgængelighed af finjustering. OpenAIs selvbetjente finjustering udfases: Fra den 7. maj 2026 kan organisationer, der aldrig har kørt en finjusteringsopgave, ikke længere oprette en; siden den 2. juli skal du have brugt en finjusteret model inden for de sidste 60 dage; og fra den 6. januar 2027 vil ingen kunder kunne starte nye opgaver. Allerede trænede modeller forbliver brugbare, indtil deres basismodel udgår. Dette kursus er stadig nyttigt til at forstå og udnytte en eksisterende model; til nye projekter bør du prioritere prompt engineering, RAG og evalueringer.
Procesoversigt
Dine data er klare, validerede og opdelt i trænings- og valideringssæt. Selve træningstrinet koges ned til tre bevægelser: upload din datafil, opret en finjusteringsopgave, og vent derefter på, at træningen er færdig. Alt foregår via det officielle Python SDK, og du vil se, at koden fylder omkring tredive linjer – det meste af arbejdet er allerede udført upstream.
Installer og konfigurér SDK’et
Klienten instantieres uden argumenter: den læser automatisk miljøvariablen OPENAI_API_KEY.
# Installation
# pip install openai
from openai import OpenAI
# Klienten bruger automatisk miljøvariablen OPENAI_API_KEY
client = OpenAI()
Sørg for, at denne variabel er sat, før du kører scriptet; ellers vil instantieringen fejle ved første anmodning. I produktion må du aldrig hardcode din nøgle i koden: en nøgle skrevet som klartekst ender i Git-historikken, og at fjerne den efterfølgende er langt dyrere end at læse den fra miljøet fra dag ét.
Upload filer
Upload bruger purpose="fine-tune", hvilket fortæller OpenAI, at filen er beregnet til træning, og udløser de tilsvarende formatkontroller. Upload valideringsfilen med det samme: det er teknisk set valgfrit, men uden den kører træningen blindt, da intet valideringstab vil signalere overtilpasning, mens opgaven kører.
# Upload træningsfil
training_file = client.files.create(
file=open("training_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"Fil-ID: {training_file.id}")
print(f"Status: {training_file.status}")
# Valgfrit: upload valideringsfil
validation_file = client.files.create(
file=open("validation_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"Validerings-ID: {validation_file.id}")
Filen gennemgår en behandlingsfase på OpenAIs side. Vent, indtil statussen er processed, før du starter opgaven: en opgave oprettet på en fil, der stadig behandles, vil fejle, og du vil spilde nogle minutter på at lede efter en ikke-eksisterende årsag i din JSONL.
Opret finjusteringsopgaven
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
validation_file=validation_file.id, # valgfrit men anbefalet
model="gpt-5.6-luna", # eller "gpt-5.6-luna"
suffix="my-assistant-v1" # suffiks til at identificere din model
)
print(f"Opgave-ID: {job.id}")
print(f"Status: {job.status}")
print(f"Basismodel: {job.model}")
Parameteren suffix føjes til dit finjusterede modelnavn: med "my-assistant-v1" vil den resulterende model hedde ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Væn dig til at indsætte brugstilfældet og et versionsnummer her. Den dag tre modeller sameksisterer på din konto, er det det eneste, der fortæller dig, hvilken der gør hvad, uden at du skal åbne konsollen.
Følg fremskridt
En opgave gennemløber flere statusser i rækkefølge, og retrieve giver dig den aktuelle til enhver tid.
# Hent opgavestatus
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Mulige statusser: validating_files, queued, running, succeeded, failed, cancelled
Statussen alene holder sig lakonisk. Begivenheder fortæller derimod historien: filvalidering, start, trinvis fremdrift, slutning.
# Se opgavebegivenheder
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}")
I stedet for manuelt at kalde retrieve hvert femte minut, kan du pakke ventetiden ind i en løkke, der returnerer kontrollen, så snart opgaven når en terminal tilstand. Bemærk, at de tre afslutningstilfælde håndteres separat: en annulleret opgave er ikke en mislykket opgave, og du vil gerne skelne mellem dem i dine logs.
import time
def track_job(client: OpenAI, job_id: str, interval: int = 30):
"""Følger en finjusteringsopgave indtil fuldførelse."""
while True:
job = client.fine_tuning.jobs.retrieve(job_id)
print(f"Status: {job.status}")
if job.status == "succeeded":
print(f"Finjusteret model: {job.fine_tuned_model}")
return job
if job.status == "failed":
print(f"Fejl: {job.error}")
return job
if job.status == "cancelled":
print("Opgave annulleret.")
return job
time.sleep(interval)
# Brug
final_job = track_job(client, job.id)
Brug den finjusterede model
Når opgaven er fuldført succesfuldt, kaldes din model præcis som en standardmodel. Kun værdien, der sendes til model, ændres, hvilket betyder, at skiftet til din brugerdefinerede model i en eksisterende applikation koges ned til at modificere en konfigurationsvariabel.
response = client.responses.create(
model=final_job.fine_tuned_model, # f.eks. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
input="Hej, jeg har et problem med min ordre."
)
print(response.output_text)
Administrér dine opgaver
To kald er nok til at administrere alt: list hvad der findes, og afbryd det, der kører. Annullering er nyttig, så snart overvågning viser, at træningen løber løbsk – der er ingen grund til at betale for tokens fra en opgave, du allerede ved vil producere en dårlig model.
# List alle dine finjusteringsopgaver
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}")
# Annullér en kørende opgave
client.fine_tuning.jobs.cancel(job.id)
Omkostninger og varighed
Træning faktureres efter antallet af behandlede tokens. Varigheden afhænger derimod af størrelsen på dine data og antallet af epoker.
| Datasætstørrelse | Træningsvarighed |
|---|---|
| 50 eksempler | Et par minutter |
| 500 eksempler | 15 til 30 minutter |
| 5.000 eksempler | 1 til 2 timer |
Disse størrelsesordener hjælper dig primært med at dimensionere din arbejdsløkke: ved et par minutter per kørsel itererer du i samme session; ved to timer planlægger du. De nøjagtige priser varierer afhængigt af den valgte model; tjek OpenAIs prisside for aktuelle satser.
Vigtige pointer
- Workflowet er: upload fil, opret opgave, vent, brug modellen
- Tilføj et beskrivende
suffixfor nemt at identificere dine modeller - Brug altid en valideringsfil til at evaluere kvaliteten
- Den finjusterede model bruges præcis som basismodellen via API’en
- Behold dine opgave- og model-ID’er – du får brug for dem til versionsstyring