请求参数 请求头（Headers） Content-Type string （必选）
固定值：application/json
Authorization string （必选）
API KeyBearer sk-xxxx。
请求体（Request Body） model string （必选）
指定微调所用的基准模型。
图生视频-基于首帧：
wan2.7-i2v：支持首帧和首尾帧微调，通过超参数task_type切换，默认为首帧（i2v）。wan2.5-i2v-previewwan2.2-i2v-flash 图生视频-基于首尾帧：
wan2.7-i2v：需设置超参数task_type为kf2v。wan2.2-kf2v-flash training_file_ids array[string] （条件必选）
训练集文件training_datasets 二选一，若使用 training_datasets 则无需传此参数。文件上传文件 API 获取。
validation_file_ids array[string] （可选）
验证集文件validation_datasets 二选一，若使用 validation_datasets 则无需传此参数。若两者均不提供，系统会从训练集中自动划分。文件上传文件 API 获取。
training_type string （必选）
微调类型，当前仅支持efficient_sft（LoRA
hyper_parameters object （可选）
超参数配置 。初次训练时，推荐使用默认的超参数。若模型效果不佳或训练不收敛，可以尝试调整 n_epochs 或 learning_rate 等参数。
超参数属性
batch_size int （必选）
批次大小。一次性送入模型进行训练的数据条数。
wan2.7-i2v：推荐为
wan2.5-i2v-preview：推荐为
wan2.2-i2v-flash：推荐为
wan2.2-kf2v-flash：推荐为
n_epochs int （必选）
训练循环次数。推荐值：50。
steps = n_epochs × ⌈数据集大小 / batch_size⌉。建议总步数 ≥ 800。
例如：数据集 5 条，batch_size=2，每轮步数=⌈5/2⌉=3，最小 n_epochs = 800/3 ≈ 267。
推荐训练轮数会根据数据量自动调整。数据越少，需要更多轮数来充分学习；数据越多，每轮包含的样本越多，因此所需轮数会减少。
50 epochs 主要适用于 2 条左右的小数据集；当数据量达到 50-60 条视频时，通常建议训练约 3000-5000 steps 即可。
learning_rate float （必选）
学习率。推荐值：2e-5。控制模型权重更新的幅度。过高可能导致模型变差，过低则变化不明显。
eval_epochs int （必选）
验证间隔。推荐值：20。取值需≥n_epochs/10。训练期间每隔多少个
max_pixels int （必选）
训练视频的最大分辨率。设置训练视频分辨率的像素总数（宽×高）限制。系统仅对超过该值的视频进行缩放处理。
wan2.7-i2v：推荐 102400。取值范围：36864 (192×192) ～ 123904 (352×352)。
wan2.5-i2v-preview：推荐 36864。取值范围：16384 (128×128) ～ 36864 (192×192)。
wan2.2-i2v-flash：推荐 262144。取值范围：65536 (256×256) ～ 262144 (512×512)。
wan2.2-kf2v-flash：推荐 262144。取值范围：65536 (256×256) ～ 262144 (512×512)。
split float （可选）
训练集划分比例。推荐值：0.9。取值范围为 (0, 1)。
仅在未指定validation_file_ids时生效。此参数用于从训练集中自动按比例拆分出验证集。例如，0.9
max_split_val_dataset_sample int （可选）
从训练集中自动划分验证集的最大样本数。推荐值：5。取值需≥1。
仅在未指定validation_file_ids时生效。该参数为验证集数量设置上限：验证集数量 = min(数据集总数 × (1 − split), max_split_val_dataset_sample)
save_total_limit int （可选）
Checkpoint 保存数量上限。推荐值：10。限制最多保存的模型数量，系统将只保存最后 N 个 Checkpoint。
lora_rank int （可选）
LoRA 低秩矩阵的维数。推荐值：32。该值决定了微调参数量的大小，数值越大拟合能力越强，但训练速度会变慢。取值必须为n （如 16、32、64）。
lora_alpha int （可选）
LoRA 权重的缩放系数。推荐值：32。用于调节微调后的参数对原模型权重的影响程度。取值必须为n （如 16、32、64）。
task_type string （可选）
微调任务类型。仅对wan2.7-i2v模型有效，其他模型无需设置此参数。
i2v（默认值）：首帧生视频微调。kf2v：首尾帧生视频微调。 training_datasets Array of Dataset （条件必选）
训练集文件列表。与 training_file_ids 二选一，若使用 training_file_ids 则无需传此参数。
Dataset 结构
data_source_type string （必选）
数据源类型，可选值：
oss_mount（挂载 OSS 文件）file_id（由文件管理服务 API 上传的文件） mount_storage object （条件必选）
数据源类型为 oss_mount 时必填。OSS 挂载信息。
属性
region string （必选）
要挂载的 OSS Bucket 所属地域。支持北京（cn-beijing）和新加坡（ap-southeast-1）。
bucket string （必选）
要挂载的 OSS Bucket 名称。
file_path string （必选）
要挂载的 OSS 文件路径（object key）。对包含多个文件的数据集，使用其 data.jsonl 的文件路径。与使用 file_id 的方式不同，需要将未经压缩的数据集文件夹整体上传到 OSS，不支持 zip 文件。
file_id string （条件必选）
数据源类型为 file_id 时必填。文件 ID，由上传文件 API 产生。
validation_datasets Array of Dataset （可选）
验证集文件列表。结构同training_datasets。
与 validation_file_ids 二选一。若两者均不提供，系统会从训练集中自动划分。
job_name string （可选）
调优任务名称。
model_name string （可选）
调优完成后的模型名称。
图生视频-基于首帧（Wan2.7） curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-i2v",
"training_file_ids": [
"<替换为训练数据集的文件图生视频-基于首尾帧（Wan2.7） curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-i2v",
"training_file_ids": [
"<替换为训练数据集的文件图生视频-基于首尾帧（Wan2.2） curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.2-kf2v-flash",
"training_file_ids": [
"<替换为训练数据集的文件使用 curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "wan2.7-i2v",
"training_datasets": [
{
"data_source_type": "oss_mount",
"mount_storage": {
"region": "cn-beijing",
"bucket": "example_bucket",
"file_path": "dataset/data.jsonl"
}
}
],
"training_type": "efficient_sft",
"hyper_parameters": {
"n_epochs": 50,
"batch_size": 1,
"learning_rate": 2e-5,
"split": 0.9,
"max_split_val_dataset_sample": 5,
"eval_epochs": 20,
"max_pixels": 102400,
"save_total_limit": 10,
"lora_rank": 32,
"lora_alpha": 32
}
}'
