Pokretanje fino podešavanja putem API-ja
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Dostupnost fino podešavanja. OpenAI postupno ukida samostalno fino podešavanje: od 7. svibnja 2026. organizacije koje nikada nisu pokrenule zadatak fino podešavanja više ne mogu stvoriti novi; od 2. srpnja morali ste koristiti fino podešeni model u posljednjih 60 dana; a počevši od 6. siječnja 2027., nijedan korisnik neće moći pokrenuti nove zadatke. Već obučeni modeli ostaju upotrebljivi dok se njihov osnovni model ne povuče. Ovaj tečaj i dalje je koristan za razumijevanje i iskorištavanje postojećeg modela; za nove projekte dajte prednost inženjerstvu prompta, RAG-u i evaluacijama.
Pregled procesa
Tvoji su podaci spremni, validirani i podijeljeni na skupove za obuku i validaciju. Stvarni korak obuke svodi se na tri poteza: učitaj datoteku s podacima, stvori zadatak fino podešavanja, zatim pričekaj da obuka završi. Sve se odvija kroz službeni Python SDK, a vidjet ćeš da kod staje u tridesetak redaka – većina posla obavljena je u prethodnim fazama.
Instalacija i konfiguracija SDK-a
Klijent se instancira bez argumenata: automatski čita varijablu okruženja OPENAI_API_KEY.
# Instalacija
# pip install openai
from openai import OpenAI
# Klijent automatski koristi varijablu okruženja OPENAI_API_KEY
client = OpenAI()
Osiguraj da je ova varijabla postavljena prije pokretanja skripte, inače će instanciranje pasti pri prvom zahtjevu. U produkciji nikada nemoj hardkodirati svoj ključ u kod: ključ zapisan kao običan tekst završava u Git povijesti, a njegovo naknadno uklanjanje puno je skuplje od čitanja iz okruženja od samog početka.
Učitavanje datoteka
Učitavanje koristi purpose="fine-tune", što govori OpenAI-u da je datoteka namijenjena obuci i pokreće odgovarajuće provjere formata. Odmah učitaj i datoteku za validaciju: tehnički je opcionalna, ali bez nje obuka radi naslijepo jer neće biti signala gubitka validacije koji bi ukazao na preprilagodbu tijekom izvršavanja zadatka.
# Učitaj datoteku za obuku
training_file = client.files.create(
file=open("training_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"ID datoteke: {training_file.id}")
print(f"Status: {training_file.status}")
# Opcionalno: učitaj datoteku za validaciju
validation_file = client.files.create(
file=open("validation_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"ID validacije: {validation_file.id}")
Datoteka prolazi kroz fazu obrade na strani OpenAI-a. Pričekaj da status postane processed prije pokretanja zadatka: zadatak stvoren na datoteci koja se još obrađuje neće uspjeti, a izgubit ćeš nekoliko minuta tražeći nepostojeći uzrok u svom JSONL-u.
Stvaranje zadatka fino podešavanja
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
validation_file=validation_file.id, # opcionalno, ali preporučeno
model="gpt-5.6-luna", # ili "gpt-5.6-luna"
suffix="my-assistant-v1" # sufiks za identifikaciju tvog modela
)
print(f"ID zadatka: {job.id}")
print(f"Status: {job.status}")
print(f"Osnovni model: {job.model}")
Parametar suffix dodaje se na ime tvog fino podešenog modela: s "my-assistant-v1", rezultirajući model bit će nazvan ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Uvedi naviku da tamo stavljaš slučaj upotrebe i broj verzije. Dan kada tri modela koegzistiraju u tvom računu, to će biti jedino što će ti omogućiti da znaš koji što radi bez otvaranja konzole.
Praćenje napretka
Zadatak prolazi kroz nekoliko statusa u nizu, a retrieve ti u bilo kojem trenutku daje trenutni status.
# Dohvati status zadatka
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Mogući statusi: validating_files, queued, running, succeeded, failed, cancelled
Sam status ostaje lakoničan. Događaji, s druge strane, pričaju cijelu priču: validacija datoteke, početak, napredak korak po korak, kraj.
# Pregled događaja zadatka
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}")
Umjesto da ručno zoveš retrieve svakih pet minuta, omotaj čekanje u petlju koja vraća kontrolu čim zadatak dođe u završno stanje. Imaj na umu da se tri izlazna slučaja obrađuju odvojeno: otkazani zadatak nije neuspjeli zadatak i htjet ćeš ih razlikovati u svojim zapisnicima.
import time
def track_job(client: OpenAI, job_id: str, interval: int = 30):
"""Prati zadatak fino podešavanja do završetka."""
while True:
job = client.fine_tuning.jobs.retrieve(job_id)
print(f"Status: {job.status}")
if job.status == "succeeded":
print(f"Fino podešeni model: {job.fine_tuned_model}")
return job
if job.status == "failed":
print(f"Neuspjeh: {job.error}")
return job
if job.status == "cancelled":
print("Zadatak otkazan.")
return job
time.sleep(interval)
# Upotreba
final_job = track_job(client, job.id)
Korištenje fino podešenog modela
Kada zadatak uspješno završi, tvoj se model poziva točno kao i standardni model. Mijenja se samo vrijednost proslijeđena parametru model, što znači da se prelazak na tvoj prilagođeni model u postojećoj aplikaciji svodi na modificiranje konfiguracijske varijable.
response = client.responses.create(
model=final_job.fine_tuned_model, # npr. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
input="Pozdrav, imam problem sa svojom narudžbom."
)
print(response.output_text)
Upravljanje zadacima
Dva poziva dovoljna su za administraciju svega: izlistaj što postoji i prekini što se izvršava. Otkazivanje je korisno čim praćenje pokaže da obuka izmiče kontroli – nema smisla plaćati tokene za zadatak za koji već znaš da će proizvesti loš model.
# Izlistaj sve svoje zadatke fino podešavanja
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}")
# Otkaži zadatak koji se izvršava
client.fine_tuning.jobs.cancel(job.id)
Troškovi i trajanje
Obuka se naplaćuje prema broju obrađenih tokena. Trajanje, s druge strane, ovisi o veličini tvojih podataka i broju epoha.
| Veličina skupa podataka | Trajanje obuke |
|---|---|
| 50 primjera | Nekoliko minuta |
| 500 primjera | 15 do 30 minuta |
| 5.000 primjera | 1 do 2 sata |
Ove redove veličine prvenstveno pomažu ti dimenzionirati tvoj radni ciklus: uz nekoliko minuta po pokretanju, iteriraš u istoj sesiji; uz dva sata, planiraš unaprijed. Točne cijene variraju ovisno o odabranom modelu; provjeri stranicu s cijenama OpenAI-a za trenutne stope.
Ključne točke
- Radni tijek je: učitaj datoteku, stvori zadatak, pričekaj, koristi model
- Dodaj opisni
suffixza laku identifikaciju svojih modela - Uvijek koristi datoteku za validaciju za procjenu kvalitete
- Fino podešeni model koristi se točno kao i osnovni model putem API-ja
- Čuvaj ID-ove svojih zadataka i modela – trebat će ti za verzioniranje