Przejdź do głównej treści
Polski— Wybierz język
Menu

Uruchamianie dostrajania przez API

Lekcja 5 z 16 Zaktualizowano 2 listopada 2026 Zaawansowany
Na tej stronie
  1. Przegląd procesu
  2. Instalacja i konfiguracja SDK
  3. Przesyłanie plików
  4. Tworzenie zadania dostrajania
  5. Śledzenie postępu
  6. Używanie dostrajonego modelu
  7. Zarządzanie zadaniami
  8. Koszty i czas trwania
  9. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 r. — Dostępność dostrajania. Usługa samodzielnego dostrajania OpenAI jest wycofywana: od 7 maja 2026 r. organizacje, które nigdy nie uruchomiły zadania dostrajania, nie mogą już go utworzyć; od 2 lipca musisz użyć dostrajonego modelu w ciągu ostatnich 60 dni; a począwszy od 6 stycznia 2027 r., żaden klient nie będzie mógł uruchomić nowych zadań. Już wytrenowane modele pozostają użyteczne do momentu wycofania ich modelu bazowego. Ten kurs nadal przydaje się do zrozumienia i wykorzystania istniejącego modelu; w przypadku nowych projektów priorytetowo potraktuj inżynierię promptów, RAG oraz ewaluacje.

Przegląd procesu

Twoje dane są gotowe, zweryfikowane i podzielone na zbiory treningowe i walidacyjne. Właściwy krok szkolenia sprowadza się do trzech ruchów: prześlij plik z danymi, utwórz zadanie dostrajania, a następnie poczekaj na zakończenie treningu. Wszystko odbywa się przez oficjalny SDK dla Pythona i zobaczysz, że kod mieści się w około trzydziestu liniach – większość pracy została wykonana wcześniej.

Instalacja i konfiguracja SDK

Klient jest inicjowany bez argumentów: automatycznie odczytuje zmienną środowiskową OPENAI_API_KEY.

# Instalacja
# pip install openai

from openai import OpenAI

# Klient automatycznie używa zmiennej środowiskowej OPENAI_API_KEY
client = OpenAI()

Upewnij się, że ta zmienna jest ustawiona przed uruchomieniem skryptu, w przeciwnym razie inicjalizacja nie powiedzie się przy pierwszym żądaniu. W środowisku produkcyjnym nigdy nie hardkoduj klucza w kodzie: klucz zapisany jako zwykły tekst trafi do historii Gita, a jego późniejsze usunięcie jest znacznie bardziej kosztowne niż odczytywanie go ze środowiska od samego początku.

Przesyłanie plików

Przesyłanie używa parametru purpose="fine-tune", co informuje OpenAI, że plik jest przeznaczony do szkolenia i uruchamia odpowiednie sprawdzanie formatu. Prześlij plik walidacyjny od razu: technicznie jest opcjonalny, ale bez niego trening działa w ciemno, ponieważ brak straty walidacyjnej nie sygnalizuje przeuczenia podczas działania zadania.

# Przesyłanie pliku treningowego
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}")

# Opcjonalnie: przesłanie pliku walidacyjnego
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

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

Plik przechodzi fazę przetwarzania po stronie OpenAI. Poczekaj, aż status zmieni się na processed, zanim uruchomisz zadanie: zadanie utworzone na pliku, który jest nadal przetwarzany, nie powiedzie się, a stracisz kilka minut na szukanie nieistniejącej przyczyny w swoim JSONL.

Tworzenie zadania dostrajania

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # opcjonalne, ale zalecane
    model="gpt-5.6-luna",  # lub "gpt-5.6-luna"
    suffix="my-assistant-v1"  # przyrostek do identyfikacji Twojego modelu
)

print(f"Job ID: {job.id}")
print(f"Status: {job.status}")
print(f"Base model: {job.model}")

Parametr suffix jest dołączany do nazwy Twojego dostrajonego modelu: przy użyciu "my-assistant-v1" wynikowy model zostanie nazwany ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Weź sobie za nawyk umieszczanie tam przypadku użycia i numeru wersji. Gdy trzy modele będą współistnieć na Twoim koncie, tylko to pozwoli Ci wiedzieć, który co robi, bez otwierania konsoli.

Śledzenie postępu

Zadanie przechodzi przez kilka statusów po kolei, a metoda retrieve daje Ci aktualny status w dowolnym momencie.

# Pobieranie statusu zadania
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Możliwe statusy: validating_files, queued, running, succeeded, failed, cancelled

Sam status pozostaje lakoniczny. Zdarzenia z kolei opowiadają całą historię: walidacja pliku, start, postęp krok po kroku, koniec.

# Wyświetlanie zdarzeń zadania
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}")

Zamiast ręcznie wywoływać retrieve co pięć minut, opakuj oczekiwanie w pętlę, która zwraca kontrolę, gdy tylko zadanie osiągnie stan końcowy. Pamiętaj, że trzy przypadki wyjścia są obsługiwane osobno: anulowane zadanie to nie to samo co nieudane zadanie i będziesz chciał rozróżnić je w swoich logach.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Śledzi zadanie dostrajania aż do zakończenia."""
    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)

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

Używanie dostrajonego modelu

Gdy zadanie zakończy się pomyślnie, Twój model jest wywoływany dokładnie tak jak standardowy model. Zmienia się tylko wartość przekazana do parametru model, co oznacza, że przejście na niestandardowy model sprowadza się w istniejącej aplikacji do modyfikacji zmiennej konfiguracyjnej.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # np. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Hello, I have a problem with my order."
)

print(response.output_text)

Zarządzanie zadaniami

Dwa wywołania wystarczą, aby zarządzać wszystkim:列出 istniejące zadania i przerwać te działające. Anulowanie jest przydatne, gdy monitoring wykazuje, że trening wymyka się spod kontroli – nie ma sensu płacić za tokeny z zadania, o którym już wiesz, że wyprodukuje słaby model.

# Lista wszystkich zadań dostrajania
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}")

# Anulowanie działającego zadania
client.fine_tuning.jobs.cancel(job.id)

Koszty i czas trwania

Szkolenie jest rozliczane według liczby przetworzonych tokenów. Czas trwania zależy natomiast od wielkości danych i liczby epok.

Rozmiar zbioru danychCzas trwania szkolenia
50 przykładówKilka minut
500 przykładów15 do 30 minut
5000 przykładów1 do 2 godzin

Te rzędy wielkości pomagają głównie oszacować pętlę pracy: przy kilku minutach na uruchomienie iterujesz w tej samej sesji; przy dwóch godzinach – planujesz. Dokładne ceny zależą od wybranego modelu; sprawdź stronę cennika OpenAI, aby poznać aktualne stawki.

Kluczowe wnioski

  • Przepływ pracy to: prześlij plik, utwórz zadanie, poczekaj, użyj modelu
  • Dodaj opisowy suffix, aby łatwo identyfikować swoje modele
  • Zawsze używaj pliku walidacyjnego do oceny jakości
  • Dostrajony model jest używany dokładnie tak jak model bazowy przez API
  • Zachowaj identyfikatory zadań i modeli – będą potrzebne do wersjonowania