Palaiž smalko noregulēšanu, izmantojot API
Šajā lapā
Atjauninājums: 2026. gada 2. novembris — Smalkās noregulēšanas pieejamība. OpenAI pašapkalpošanās smalkā noregulēšana tiek pakāpeniski pārtraukta: kopš 2026. gada 7. maija organizācijas, kas nekad nav palaidušas smalkās noregulēšanas uzdevumu, vairs nevar izveidot jaunu; kopš 2. jūlija jums ir jābūt izmantojušam smalki noregulētu modeli pēdējo 60 dienu laikā; un sākot ar 2027. gada 6. janvāri, neviens klients vairs nevarēs uzsākt jaunus uzdevumus. Jau apmācītie modeļi paliek lietojami, līdz tiek izslēgts to bāzes modelis. Šis kurss joprojām ir noderīgs, lai saprastu un izmantotu esošu modeli; jauniem projektiem dodiet priekšroku uzvedņu inženierijai (prompt engineering), RAG un novērtējumiem.
Procesa pārskats
Tavi dati ir sagatavoti, validēti un sadalīti apmācības un validācijas kopās. Faktiskais apmācības solis reducējas uz trim darbībām: augšupielādē datu failu, izveido smalkās noregulēšanas uzdevumu un gaidi, līdz apmācība ir pabeigta. Viss notiek, izmantojot oficiālo Python SDK, un tu redzēsi, ka kods ietilpst aptuveni trīsdesmit rindās — lielākā daļa darba jau ir padarīta iepriekšējos posmos.
SDK instalēšana un konfigurēšana
Klients tiek inicializēts bez argumentiem: tas automātiski nolasa OPENAI_API_KEY vides mainīgo.
# Instalēšana
# pip install openai
from openai import OpenAI
# Klients automātiski izmanto OPENAI_API_KEY vides mainīgo
client = OpenAI()
Pārliecinies, ka šis mainīgais ir iestatīts pirms skripta palaišanas, pretējā gadījumā inicializācija neizdosies pie pirmā pieprasījuma. Produkcijas vidē nekad neiekodē savu atslēgu kodā: atslēga, kas rakstīta skaidrā tekstā, nonāk Git vēsturē, un tās dzēšana pēc fakta ir daudz dārgāka nekā tās nolasīšana no vides jau no pirmās dienas.
Failu augšupielāde
Augšupielādei izmanto purpose="fine-tune", kas norāda OpenAI, ka fails ir paredzēts apmācībai, un aktivizē atbilstošās formāta pārbaudes. Augšupielādē validācijas failu uzreiz: tas ir tehniski opcionāls, bet bez tā apmācība notiek akli, jo apmācības laikā nebūs validācijas zudumu, kas signalizētu par pārmācīšanos (overfitting).
# Augšupielādē apmācības failu
training_file = client.files.create(
file=open("training_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"Faila ID: {training_file.id}")
print(f"Statuss: {training_file.status}")
# Opcionāli: augšupielādē validācijas failu
validation_file = client.files.create(
file=open("validation_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"Validācijas ID: {validation_file.id}")
Fails OpenAI pusē iziet cauri apstrādes fāzei. Pirms uzdevuma palaišanas sagaidi, līdz statuss ir processed: uzdevums, kas izveidots failam, kurš joprojām tiek apstrādāts, neizdosies, un tu zaudēsi dažas minūtes, meklējot neesošu cēloni savā JSONL failā.
Smalkās noregulēšanas uzdevuma izveide
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
validation_file=validation_file.id, # opcionāli, bet ieteicams
model="gpt-5.6-luna", # vai "gpt-5.6-luna"
suffix="my-assistant-v1" # sufikss sava modeļa identificēšanai
)
print(f"Uzdevuma ID: {job.id}")
print(f"Statuss: {job.status}")
print(f"Bāzes modelis: {job.model}")
Parametrs suffix tiek pievienots tava smalki noregulētā modeļa nosaukumam: ar "my-assistant-v1" iegūtais modelis tiks nosaukts ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Pieradini sevi tur norādīt lietojuma gadījumu un versijas numuru. Dienā, kad tavā kontā līdzās pastāv trīs modeļi, tas būs vienīgais veids, kā zināt, kurš ko dara, neatverot konsoli.
Progresa izsekošana
Uzdevums secīgi iziet cauri vairākiem statusiem, un retrieve jebkurā brīdī sniedz tev aktuālo statusu.
# Iegūst uzdevuma statusu
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Statuss: {job.status}")
# Iespējamie statusi: validating_files, queued, running, succeeded, failed, cancelled
Pats statuss paliek lakonisks. Toties notikumi (events) izstāsta visu stāstu: failu validācija, sākums, solis pa solim progress, beigas.
# Apskata uzdevuma notikumus
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}")
Tā vietā, lai ik pēc piecām minūtēm manuāli izsauktu retrieve, ietver gaidīšanu cilpā, kas atgriež kontroli tiklīdz uzdevums sasniedz gala stāvokli. Ņem vērā, ka trīs izejas gadījumi tiek apstrādāti atsevišķi: atcelts uzdevums nav tas pats, kas neizdevies uzdevums, un tu vēlēsies tos atšķirt savos žurnālos (logs).
import time
def track_job(client: OpenAI, job_id: str, interval: int = 30):
"""Izseko smalkās noregulēšanas uzdevumu līdz pabeigšanai."""
while True:
job = client.fine_tuning.jobs.retrieve(job_id)
print(f"Statuss: {job.status}")
if job.status == "succeeded":
print(f"Smalki noregulēts modelis: {job.fine_tuned_model}")
return job
if job.status == "failed":
print(f"Kļūme: {job.error}")
return job
if job.status == "cancelled":
print("Uzdevums atcelts.")
return job
time.sleep(interval)
# Lietošana
final_job = track_job(client, job.id)
Smalki noregulētā modeļa izmantošana
Kad uzdevums ir veiksmīgi pabeigts, tavs modelis tiek izsaukts tieši tāpat kā standarta modelis. Mainās tikai vērtība, kas padota parametram model, kas nozīmē, ka pāreja uz pielāgoto modeli esošā lietotnē reducējas līdz konfigurācijas mainīgā modificēšanai.
response = client.responses.create(
model=final_job.fine_tuned_model, # piem., "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
input="Sveiki, man ir problēma ar savu pasūtījumu."
)
print(response.output_text)
Savu uzdevumu pārvaldība
Viss administrēšanai pietiek ar diviem izsaukumiem: uzskaitīt esošo un pārtraukt darbojošos. Atcelšana ir noderīga tiklīdz monitoringš rāda, ka apmācība iet greizi — nav jēgas maksāt par tokeniem no uzdevuma, par kuru jau zini, ka tas radīs sliktu modeli.
# Uzskaiti visus savus smalkās noregulēšanas uzdevumus
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}")
# Atcel darbojošu uzdevumu
client.fine_tuning.jobs.cancel(job.id)
Izmaksas un ilgums
Apmācība tiek tarifēta pēc apstrādāto tokenu skaita. Ilgums savukārt ir atkarīgs no datu apjoma un epohu skaita.
| Datu kopas lielums | Apmācības ilgums |
|---|---|
| 50 piemēri | Dažas minūtes |
| 500 piemēri | 15 līdz 30 minūtes |
| 5 000 piemēri | 1 līdz 2 stundas |
Šie lieluma rādītāji galvenokārt palīdz tev izplānot darba ciklu: pie dažām minūtēm vienā piegājienā tu iterē vienas sesijas laikā; pie divām stundām — tu plāno iepriekš. Precīzas cenas atšķiras atkarībā no izvēlētā modeļa; aktuālās likmes pārbaudi OpenAI cenu lapā.
Galvenās atziņas
- Darbplūsma ir šāda: augšupielādē failu, izveido uzdevumu, gaidi, izmanto modeli.
- Pievieno aprakstošu
suffix, lai viegli identificētu savus modeļus. - Vienmēr izmanto validācijas failu, lai novērtētu kvalitāti.
- Smalki noregulēts modelis tiek izmantots tieši tāpat kā bāzes modelis, izmantojot API.
- Glabā savu uzdevumu un modeļu ID — tie būs nepieciešami versiju kontrolei.