Salt la conținutul principal
Română— Alege o limbă
Meniu

Lansarea ajustării fine prin API

Lecția 5 din 16 Actualizată 2 noiembrie 2026 Avansat
Pe această pagină
  1. Prezentare generală a procesului
  2. Instalarea și configurarea SDK-ului
  3. Încărcarea fișierelor
  4. Crearea jobului de ajustare fină
  5. Urmărirea progresului
  6. Utilizarea modelului ajustat fin
  7. Gestionarea joburilor
  8. Costuri și durată
  9. Puncte cheie

Actualizare 2 noiembrie 2026 — Disponibilitatea ajustării fine. Serviciul de ajustare fină self-service al OpenAI este în curs de eliminare: începând cu 7 mai 2026, organizațiile care nu au rulat niciodată un job de ajustare fină nu mai pot crea unul; începând cu 2 iulie, trebuie să fi utilizat un model ajustat fin în ultimele 60 de zile; iar începând cu 6 ianuarie 2027, niciun client nu va mai putea lansa joburi noi. Modelele deja antrenate rămân utilizabile până la retragerea modelului lor de bază. Acest curs rămâne util pentru înțelegerea și exploatarea unui model existent; pentru proiecte noi, prioritizați ingineria prompturilor, RAG și evaluările.

Prezentare generală a procesului

Datele dumneavoastră sunt pregătite, validate și împărțite în seturi de antrenament și de validare. Etapa reală de antrenament se rezumă la trei acțiuni: încărcați fișierul de date, creați un job de ajustare fină, apoi așteptați finalizarea antrenamentului. Totul se desfășoară prin intermediul SDK-ului oficial Python, iar veți constata că codul se încadrează în aproximativ treizeci de linii – cea mai mare parte a muncii a fost realizată în etapele anterioare.

Instalarea și configurarea SDK-ului

Clientul se instanțiază fără argumente: citește automat variabila de mediu OPENAI_API_KEY.

# Instalare
# pip install openai

from openai import OpenAI

# Clientul utilizează automat variabila de mediu OPENAI_API_KEY
client = OpenAI()

Asigurați-vă că această variabilă este setată înainte de a rula scriptul; în caz contrar, instanțierea va eșua la prima cerere. În producție, nu introduceți niciodată cheia direct în cod: o cheie scrisă în text simplu ajunge în istoricul Git, iar eliminarea ei ulterior este mult mai costisitoare decât citirea ei din mediul de execuție încă de la început.

Încărcarea fișierelor

Încărcarea utilizează purpose="fine-tune", ceea ce indică OpenAI că fișierul este destinat antrenamentului și declanșează verificările de format corespunzătoare. Încărcați fișierul de validare imediat: deși este tehnic opțional, fără acesta antrenamentul rulează „orb“, deoarece nicio pierdere de validare nu va semnala supraajustarea în timpul execuției jobului.

# Încărcare fișier de antrenament
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"ID fișier: {training_file.id}")
print(f"Stare: {training_file.status}")

# Opțional: încărcare fișier de validare
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

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

Fișierul trece printr-o fază de procesare din partea OpenAI. Așteptați până când starea devine processed înainte de a lansa jobul: un job creat pe un fișier încă în procesare va eșua, iar veți pierde câteva minute căutând o cauză inexistentă în fișierul dumneavoastră JSONL.

Crearea jobului de ajustare fină

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # opțional, dar recomandat
    model="gpt-5.6-luna",  # sau "gpt-5.6-luna"
    suffix="my-assistant-v1"  # sufix pentru identificarea modelului
)

print(f"ID job: {job.id}")
print(f"Stare: {job.status}")
print(f"Model de bază: {job.model}")

Parametrul suffix este adăugat la numele modelului ajustat fin: cu "my-assistant-v1", modelul rezultat se va numi ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Obișnuiți-vă să includeți aici cazul de utilizare și un număr de versiune. În ziua în care trei modele coexistă în contul dumneavoastră, acesta este singurul lucru care vă va permite să știți care face ce fără a deschide consola.

Urmărirea progresului

Un job trece prin mai multe stări în secvență, iar retrieve vă oferă starea curentă în orice moment.

# Obținere stare job
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Stare: {job.status}")
# Stări posibile: validating_files, queued, running, succeeded, failed, cancelled

Starea în sine rămâne laconică. Evenimentele, pe de altă parte, spun întreaga poveste: validarea fișierelor, startul, progresul pas cu pas, finalul.

# Vizualizare evenimente job
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}")

În loc să apelați manual retrieve la fiecare cinci minute, încapsulați așteptarea într-o buclă care returnează controlul imediat ce jobul atinge o stare terminală. Rețineți că cele trei cazuri de ieșire sunt gestionate separat: un job anulat nu este un job eșuat, iar veți dori să le distingeți în jurnalele dumneavoastră.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Urmărește un job de ajustare fină până la finalizare."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Stare: {job.status}")

        if job.status == "succeeded":
            print(f"Model ajustat fin: {job.fine_tuned_model}")
            return job

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

        if job.status == "cancelled":
            print("Job anulat.")
            return job

        time.sleep(interval)

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

Utilizarea modelului ajustat fin

Odată ce jobul se finalizează cu succes, modelul dumneavoastră este apelat exact ca un model standard. Doar valoarea transmisă parametrului model se schimbă, ceea ce înseamnă că trecerea la modelul personalizat se rezumă, într-o aplicație existentă, la modificarea unei variabile de configurare.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # de ex. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Salut, am o problemă cu comanda mea."
)

print(response.output_text)

Gestionarea joburilor

Două apeluri sunt suficiente pentru a administra totul: listați ce există și întrerupeți ce rulează. Anularea este utilă imediat ce monitorizarea arată că antrenamentul o ia pe o cale greșită – nu are sens să plătiți pentru tokeni dintr-un job despre care știți deja că va produce un model slab.

# Listare toate joburile de ajustare fină
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}")

# Anulare unui job în curs de execuție
client.fine_tuning.jobs.cancel(job.id)

Costuri și durată

Antrenamentul este facturat în funcție de numărul de tokeni procesați. Durata, pe de altă parte, depinde de dimensiunea datelor și de numărul de epoci.

Dimensiune set de dateDurată antrenament
50 de exempleCâteva minute
500 de exemple15 până la 30 de minute
5.000 de exemple1 până la 2 ore

Aceste ordine de mărime vă ajută în principal să dimensionați bucla de lucru: la câteva minute per execuție, iterați în aceeași sesiune; la două ore, planificați. Prețurile exacte variază în funcție de modelul ales; consultați pagina de prețuri OpenAI pentru tarifele curente.

Puncte cheie

  • Fluxul de lucru este: încărcați fișierul, creați jobul, așteptați, utilizați modelul
  • Adăugați un suffix descriptiv pentru a vă identifica ușor modelele
  • Utilizați întotdeauna un fișier de validare pentru a evalua calitatea
  • Modelul ajustat fin se utilizează exact ca modelul de bază prin API
  • Păstrați ID-urile joburilor și ale modelelor – veți avea nevoie de ele pentru versionare