Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Paleisti derinimą per API

Paskaita 5 iš 16 Atnaujinta 2026 m. lapkričio 2 d. Pažengusiems
Šiame puslapyje
  1. Proceso apžvalga
  2. SDK diegimas ir konfigūravimas
  3. Failų įkėlimas
  4. Derinimo užduoties kūrimas
  5. Eigos stebėjimas
  6. Derinto modelio naudojimas
  7. Užduočių valdymas
  8. Išlaidos ir trukmė
  9. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 2 d. — Derinimo prieinamumas. „OpenAI“ savitarnos derinimo paslauga yra palaipsniui nutraukiama: nuo 2026 m. gegužės 7 d. organizacijos, kurios niekada nevykdė derinimo užduoties, jos sukurti nebegali; nuo liepos 2 d. būtina, kad per pastaruosius 60 dienų būtumėte naudojęs derintą modelį; o nuo 2027 m. sausio 6 d. joks klientas nebegalės paleisti naujų užduočių. Jau apmokyti modeliai išlieka naudojami, kol jų bazinis modelis bus pašalintas iš apyvartos. Šis kursas vis dar naudingas norint suprasti ir išnaudoti esamą modelį; naujiems projektams teikite pirmenybę raginimų inžinerijai (prompt engineering), RAG ir vertinimams.

Proceso apžvalga

Tavo duomenys paruošti, patikrinti ir padalinti į mokymo bei validavimo rinkinius. Pats mokymo etapas susiveda į tris veiksmus: įkelk duomenų failą, sukurk derinimo užduotį, tada lauk, kol mokymas baigsis. Viskas vyksta per oficialų „Python“ SDK, ir pamatysi, kad kodas telpa į apie trisdešimt eilučių – didžioji darbo dalis jau atlikta ankstesniuose etapuose.

SDK diegimas ir konfigūravimas

Klientas inicijuojamas be argumentų: jis automatiškai nuskoito kintamąjį OPENAI_API_KEY iš aplinkos.

# Diegimas
# pip install openai

from openai import OpenAI

# Klientas automatiškai naudoja OPENAI_API_KEY aplinkos kintamąjį
client = OpenAI()

Įsitikink, kad šis kintamasis nustatytas prieš paleisdamas scenarijų, kitaip inicijavimas nepavyks jau pirmojo užklausos metu. Gamybinėje aplinkoje niekada nerašyk rakto tiesiai į kodą: koduote įrašytas raktas patenka į „Git“ istoriją, o jį pašalinti post factum yra daug brangiau nei skaityti jį iš aplinkos nuo pat pirmos dienos.

Failų įkėlimas

Įkeliant naudojamas parametras purpose="fine-tune", kuris nurodo „OpenAI“, kad failas skirtas mokymui, ir suaktyvina atitinkamus formato tikrinimus. Validavimo failą įkelk iškart: techniškai jis nėra privalomas, tačiau be jo mokymas vyksta „aklai“, nes joks validavimo nuostolis neperspės apie per didelį pritaikymą (overfitting) užduočiai vykstant.

# Įkelti mokymo failą
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"Failo ID: {training_file.id}")
print(f"Būsena: {training_file.status}")

# Pasirinktinai: įkelti validavimo failą
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"Validavimo ID: {validation_file.id}")

Failas „OpenAI“ pusėje pereina apdorojimo fazę. Prieš paleisdamas užduotį, palauk, kol būsena taps processed: užduotis, sukurta dar apdorojamam failui, žlugs, ir tu švaistysi kelias minutes ieškodamas neegzistuojančios priežasties savo JSONL faile.

Derinimo užduoties kūrimas

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # pasirinktinai, bet rekomenduojama
    model="gpt-5.6-luna",  # arba "gpt-5.6-luna"
    suffix="my-assistant-v1"  # priesaga tavo modeliui identifikuoti
)

print(f"Užduoties ID: {job.id}")
print(f"Būsena: {job.status}")
print(f"Bazinis modelis: {job.model}")

Parametras suffix prijungiamas prie tavo derinto modelio pavadinimo: naudojant "my-assistant-v1", gautas modelis bus pavadintas ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Įprask ten įrašyti naudojimo atvejį ir versijos numerį. Tą dieną, kai tavo paskyroje gyvuos trys modeliai, tai bus vienintelis būdas suprasti, kuris ką daro, neatidarant konsolės.

Eigos stebėjimas

Užduotis nuosekliai pereina kelias būsenas, o funkcija retrieve bet kuriuo metu grąžina dabartinę būseną.

# Gauti užduoties būseną
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Būsena: {job.status}")
# Galimos būsenos: validating_files, queued, running, succeeded, failed, cancelled

Vien tik būsena lakoniška. Tuo tarpu įvykiai pasakoja visą istoriją: failų validavimą, startą, žingsnis po žingsnio progresą ir pabaigą.

# Peržiūrėti užduoties įvykius
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}")

Užuot kas penkias minutes rankiniu būdu kvietęs retrieve, apgaubk laukimą ciklu, kuris grąžina valdymą iškart, kai užduotis pasiekia galutinę būseną. Atkreipk dėmesį, kad trys išėjimo atvejai apdorojami atskirai: atšaukta užduotis nėra tas pats, kas nepavykusi užduotis, ir norėsi juos atskirti savo žurnaluose.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Stebi derinimo užduotį iki jos pabaigos."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Būsena: {job.status}")

        if job.status == "succeeded":
            print(f"Derintas modelis: {job.fine_tuned_model}")
            return job

        if job.status == "failed":
            print(f"Nesėkmė: {job.error}")
            return job

        if job.status == "cancelled":
            print("Užduotis atšaukta.")
            return job

        time.sleep(interval)

# Naudojimas
final_job = track_job(client, job.id)

Derinto modelio naudojimas

Kai užduotis sėkmingai baigiama, tavo modelis kviečiamas lygiai taip pat kaip standartinis modelis. Keičiasi tik reikšmė, perduodama parametrui model, o tai reiškia, kad perėjimas prie tavo pasirinktinio modelio esamoje programoje susiveda tiesiog į konfigūracijos kintamojo pakeitimą.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # pvz., "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Sveiki, turiu problemą su savo užsakymu."
)

print(response.output_text)

Užduočių valdymas

Viskam administruoti pakanka dviejų kvietimų: išvardinti, kas egzistuoja, ir nutraukti tai, kas vyksta. Atšaukimas naudingas, kai stebėjimas rodo, kad mokymas nukrypsta nuo kelio – nėra prasmės mokėti už žetonus iš užduoties, apie kurią jau žinai, kad sukurs blogą modelį.

# Išvardinti visas tavo derinimo užduotis
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}")

# Atšaukti vykdomą užduotį
client.fine_tuning.jobs.cancel(job.id)

Išlaidos ir trukmė

Mokymas apmokestinamas pagal apdorotų žetonų (tokens) skaičių. Tuo tarpu trukmė priklauso nuo duomenų dydžio ir epochų skaičiaus.

Duomenų rinkinio dydisMokymo trukmė
50 pavyzdžiųKelios minutės
500 pavyzdžių15–30 minučių
5 000 pavyzdžių1–2 valandos

Šie dydžiai pirmiausia padeda suplanuoti tavo darbo ciklą: kai vienas paleidimas trunka kelias minutes, iteruoji toje pačioje sesijoje; kai dvi valandas – planuoji iš anksto. Tikslios kainos skiriasi priklausomai nuo pasirinkto modelio; dabartinius įkainius tikrink „OpenAI“ kainodaros puslapyje.

Svarbiausi punktai

  • Darbo eiga tokia: įkelk failą, sukurk užduotį, palauk, naudok modelį
  • Pridėk aprašomąją suffix, kad galėtum lengvai identifikuoti savo modelius
  • Visada naudok validavimo failą kokybei įvertinti
  • Derintas modelis naudojamas per API lygiai taip pat kaip ir bazinis modelis
  • Saugok savo užduočių ir modelių ID – jų prireiks versijavimui