AI 助理
备案控制台
官方文档
输入文档关键字查找
首页 大模型服务平台百炼 API参考（模型） 模型调优（模型训练） 视频生成模型微调API参考

视频生成模型微调API参考

更新时间：
产品详情
我的收藏

本文档提供通义万相 图生视频模型 微调的完整 API 参考。

适用范围

上传数据集

API描述：将本地的数据集（.zip 格式）上传到阿里云百炼平台，获取唯一的文件ID（file_id）。

说明

批量上传请参见上传文件API。

请求接口

POST https://dashscope.aliyuncs.com/api/v1/files
Content-type: multipart/form-data

入参描述

字段

传参方式

类型

必选

描述

示例值

files

Body (form-data)

file

是

本地数据集文件（.zip格式）。

传参时需使用格式 files=@"<文件路径>"，路径可以是相对路径或绝对路径。

@"./wan-i2v-training-dataset.zip"

purpose

Body (form-data)

string

是

微调任务固定为 fine-tune。

fine-tune

descriptions

Body (form-data)

string

否

数据集的描述信息。

a fine-tune training data file for wan

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

1f3f1c5b-7418-4976-aaea-xxxxxx

data

object

返回的数据对象。

-

data.uploaded_files

array

上传成功的文件列表。

-

data.uploaded_files[].file_id

string

文件在平台内的唯一标识符，用于创建微调任务。

3bff1ef7-f72d-4285-bb75-xxxxxx

data.uploaded_files[].name

string

文件名。

wan-i2v-training-dataset.zip

data.failed_uploads

array

上传失败的文件列表。

[]

请求示例

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/files' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--form 'files=@"./wan-i2v-training-dataset.zip"' \
--form 'purpose="fine-tune"' \
--form 'descriptions="a fine-tune training data file for wan"'

响应示例

请复制并保存 file_id，这是上传数据集的唯一标识。

{
    "data": {
        "uploaded_files": [
            {
                "name": "wan-i2v-training-dataset.zip",
                "file_id": "3bff1ef7-f72d-4285-bb75-xxxxxx"
            }
        ],
        "failed_uploads": []
    },
    "request_id": "1f3f1c5b-7418-4976-aaea-xxxxxx"
}

创建微调任务

API描述：基于指定的基准模型和上传的数据集，启动模型微调训练任务。

请求接口

POST https://dashscope.aliyuncs.com/api/v1/fine-tunes
Content-type: application/json

入参描述

字段

传参方式

类型

必选

描述

示例值

model

Body

string

是

指定微调所用的基准模型。

当前支持图生视频模型微调，可选值为：

  • wan2.2-i2v-flash

  • wan2.5-i2v-preview

wan2.5-i2v-preview

training_file_ids

Body

array[string]

是

训练集文件ID数组，可传入多个ID。

["3bff1ef7-f72d-4285-bb75-xxxxxx"]

validation_file_ids

Body

array[string]

否

验证集文件ID数组，可传入多个ID。

若不提供，系统会从训练集中自动划分。

-

training_type

Body

string

是

微调类型，当前仅支持efficient_sft（LoRA高效微调）。

efficient_sft

hyper_parameters

Body

object

否

超参数配置。

见下表

超参数（hyper_parameters）

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。

字段

类型

必选

描述

默认值

batch_size

int

否

批次大小。

一次性送入模型进行训练的数据条数。

  • wan2.2-i2v-flash：推荐使用默认值，固定为4。

  • wan2.5-i2v-preview：推荐使用默认值，固定为2。

wan2.2：4

wan2.5：2

n_epochs

int

否

训练循环次数。

训练总步数（steps）由训练轮数（n_epochs）、数据集大小和批大小（batch_size）共同决定，计算公式为：steps = n_epochs × 向上取整（数据集大小 / batch_size）。

为确保模型充分训练，建议总训练步数不少于 800 步。推荐的最小训练轮数可按此公式估算：n_epochs = 800 / 向上取整（数据集大小 / batch_size）。

例如：数据集有5条数据，batch_size为2，则每轮训练步数=向上取整（5/2）= 3，所需最小训练轮数n_epochs = 800 / 3 ≈ 267。此值为推荐最小值，可适当调高。

400

learning_rate

float

否

学习率。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。推荐使用默认值。

2e-5

split

float

否

训练集划分比例。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表示90%训练集，10%验证集。最终验证集的数量还会受到max_split_val_dataset_sample的限制。

0.9

max_split_val_dataset_sample

int

否

自动划分验证集的最大样本数。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了一个上限，具体为：

验证集数量 = min(数据集总数 × (1 − split), max_split_val_dataset_sample)

例如：数据集共100条，split为0.9 （即取10%作验证集），max_split_val_dataset_sample为5。计算出的验证集为10条（100×0.1），但由于上限为5，最终只会使用5条数据作为验证集。

5

eval_epochs

int

否

验证间隔。取值需≥10。

训练期间每隔多少个epoch进行一次验证评估，用于阶段性评估模型训练效果。

20

max_pixels

int

否

训练视频的最大分辨率。

设置训练集中输入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，未超限的视频将保持原样。

  • wan2.2-i2v-flash：默认 262144。取值范围：65536 (256×256) ～ 262144 (512×512)。

  • wan2.5-i2v-preview：默认 36864。取值范围：16384 (128×128) ～ 36864 (192×192)。

wan2.2：262144

wan2.5：36864

save_total_limit

int

否

Checkpoint 保存数量上限。

限制最多保存的模型数量。系统将始终只保存训练生成的最后 N 个 Checkpoint（N 为该参数值）。

20

lora_rank

int

否

LoRA 低秩矩阵的维数。推荐使用默认值。

该值决定了微调参数量的大小。数值越大，模型拟合能力越强，但训练速度会变慢。

取值必须为2n（如 16、32、64）。

32

lora_alpha

int

否

LoRA 权重的缩放系数。推荐使用默认值。

用于调节微调后的参数对原模型权重的影响程度（通常与 lora_rank 配合使用）。

取值必须为2n（如 16、32、64）。

32

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

object

任务详情。

-

output.job_id

string

模型微调任务唯一标识，用于后续查询任务状态。

ft-202511111122-xxxx

output.job_name

string

模型微调任务名称。

ft-202511111122-xxxx

output.status

string

微调训练任务的状态：

  • PENDING：训练待开始。

  • QUEUING：训练正在排队（同时只有一个训练任务可以进行）。

  • RUNNING：训练正在进行中。

  • CANCELING：训练正在取消中。

  • SUCCEEDED：训练成功。

  • FAILED：训练失败。

  • CANCELED：训练已经取消。

PENDING

output.finetuned_output

string

微调后产出的新模型名称。部署和调用时需要用到。

wan2.5-i2v-preview-ft-202511111122-xxxx

output.model

string

使用的基准模型。

wan2.5-i2v-preview

output.base_model

string

使用的基准模型。

wan2.5-i2v-preview

output.training_file_ids

array

使用的训练集文件ID列表。

["3bff1ef7-f72d-4285-bb75-xxxxxx"]

output.validation_file_ids

array

使用的验证集文件ID列表。若未上传验证集，为空列表。

[]

output.hyper_parameters

object

实际使用的超参数。

{...}

output.training_type

string

模型微调的训练方式。固定为efficient_sft。

efficient_sft

output.create_time

string

任务创建时间。

2025-11-11 11:22:22

output.workspace_id

string

阿里云百炼API Key所属的业务空间ID。

请参见获取Workspace ID。

llm-xxxxxxxxx

output.user_identity

string

用户标识，阿里云账号ID。

12xxxxxxx

output.modifier

string

修改人的阿里云账号ID。

12xxxxxxx

output.creator

string

创建人的阿里云账号ID。

12xxxxxxx

output.group

string

模型微调任务分组。

llm

output.max_output_cnt

integer

训练期间最多保存的 checkpoint 数量。

等同于超参数save_total_limit参数的值。

20

请求示例

请将<替换为训练数据集的文件id>完整替换为上传数据集获取的文件ID。

Wan2.5模型

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.5-i2v-preview",
    "training_file_ids":[
        "<替换为训练数据集的文件id>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":2,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 20,
        "max_pixels": 36864
    }
}'

Wan2.2模型

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-i2v-flash",
    "training_file_ids":[
        "<替换为训练数据集的文件id>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":4,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 20,
        "max_pixels": 262144
    }
}'

上传多个训练集和验证集

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model":"wan2.5-i2v-preview",
    "training_file_ids":[
        "<替换为训练集的文件id_1>",
        "<替换为训练集的文件id_2>"
    ],
    "validation_file_ids":[
         "<替换为验证集的文件id_1>",
         "<替换为验证集的文件id_2>"
    ],
    "training_type":"efficient_sft",
    "hyper_parameters":{
        "n_epochs":400,
        "batch_size":2,
        "learning_rate":2e-5,
        "split":0.9,
        "eval_epochs": 20,
        "max_pixels": 36864
    }
}'

响应示例

重点关注这两个参数：output.job_id（任务ID）、output.finetuned_output（微调后产出的新模型名称）。

{
    "request_id": "0eb05b0c-02ba-414a-9d0c-xxxxxxxxx",
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "job_name": "ft-202511111122-xxxx",
        "status": "PENDING",
        "finetuned_output": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "model": "wan2.5-i2v-preview",
        "base_model": "wan2.5-i2v-preview",
        "training_file_ids": [
            "xxxxxxxxxxxx"
        ],
        "validation_file_ids": [],
        "hyper_parameters": {
            "n_epochs": 400,
            "batch_size": 2,
            "learning_rate": 2.0E-5,
            "split": 0.9,
            "eval_epochs": 20
        },
        "training_type": "efficient_sft",
        "create_time": "2025-11-11 11:22:22",
        "workspace_id": "llm-xxxxxxxxx",
        "user_identity": "12xxxxxxx",
        "modifier": "12xxxxxxx",
        "creator": "12xxxxxxx",
        "group": "llm",
        "max_output_cnt": 20
    }
}

查询微调任务状态

API描述：通过 job_id 查询微调任务进度。轮询此接口，当任务状态status 变为 SUCCEEDED，表示模型训练成功完成。

说明

本文示例的微调任务训练需要数小时，具体耗时根据基础模型而定，请耐心等待。

请求接口

GET https://dashscope.aliyuncs.com/api/v1/fine-tunes/{job_id}

入参描述

字段

传参方式

类型

必选

描述

示例值

job_id

Path parameter

string

是

微调任务ID。

ft-202511111122-xxxx

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

object

任务详情。

-

output.job_id

string

模型微调任务唯一标识，用于后续查询任务状态。

ft-202511111122-xxxx

output.job_name

string

模型微调任务名称。

ft-202511111122-xxxx

output.status

string

微调训练任务的状态。

  • PENDING：训练待开始。

  • QUEUING：训练正在排队（同时只有一个训练任务可以进行）。

  • RUNNING：训练正在进行中。

  • CANCELING：训练正在取消中。

  • SUCCEEDED：训练成功。

  • FAILED：训练失败。

  • CANCELED：训练已经取消。

PENDING

output.finetuned_output

string

微调后产出的新模型名称。

wan2.5-i2v-preview-ft-202511111122-xxxx

output.model

string

使用的基准模型。

wan2.5-i2v-preview

output.base_model

string

使用的基准模型。

wan2.5-i2v-preview

output.training_file_ids

array

使用的训练集文件ID列表。

["3bff1ef7-f72d-4285-bb75-xxxxxx"]

output.validation_file_ids

array

使用的验证集文件ID列表。若未上传验证集，为空列表。

[]

output.hyper_parameters

object

实际使用的超参数。

{...}

output.training_type

string

模型微调的训练方式。固定为efficient_sft。

efficient_sft

output.create_time

string

微调任务创建时间。

2025-11-11 11:22:22

output.end_time

string

微调任务完成时间。

2025-11-11 16:49:01

output.workspace_id

string

阿里云百炼API Key所属的业务空间ID。

请参见获取Workspace ID。

llm-xxxxxxxxx

output.user_identity

string

用户标识，阿里云账号ID。

12xxxxxxx

output.modifier

string

修改人的阿里云账号ID。

12xxxxxxx

output.creator

string

创建人的阿里云账号ID。

12xxxxxxx

output.group

string

模型微调任务分组。

llm

output.max_output_cnt

integer

最多保存的 checkpoint 数量。

等同于超参数save_total_limit的值。

20

output.output_cnt

integer

实际保存的 checkpoint 数量。

该值小于或等于output.max_output_cnt。

20

output.usage

integer

训练消耗的总Token数量，用于模型训练计费。

432000

请求示例

请将 URL 中的 <替换为微调任务job_id> 完整替换为创建微调任务输出参数job_id的值。

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

重点关注这两个参数：output.status（状态为SUCCEEDED，表示训练完成）、output.usage（训练消耗的总Token数量）。

{
    "request_id": "9bbb953c-bef2-4b59-9fc5-xxxxxxxxx",
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "job_name": "ft-202511111122-xxxx",
        "status": "SUCCEEDED",
        "finetuned_output": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "model": "wan2.5-i2v-preview",
        "base_model": "wan2.5-i2v-preview",
        "training_file_ids": [
            "xxxxxxxxxxxx"
        ],
        "validation_file_ids": [],
        "hyper_parameters": {
            "n_epochs": 400,
            "batch_size": 2,
            "learning_rate": 2.0E-5,
            "split": 0.9,
            "eval_epochs": 20
        },
        "training_type": "efficient_sft",
        "create_time": "2025-11-11 11:22:22",
        "workspace_id": "llm-xxxxxxxxx",
        "user_identity": "xxxxxxxxx",
        "modifier": "xxxxxxxxx",
        "creator": "xxxxxxxxx",
        "end_time": "2025-11-11 16:49:01",
        "group": "llm",
        "usage": 432000,
        "max_output_cnt": 20,
        "output_cnt": 20
    }
}

部署模型

API描述：将训练好的模型发布为在线 API 服务。请先查询微调任务状态，确保模型训练任务的状态status 为 SUCCEEDED。

请求接口

POST https://dashscope.aliyuncs.com/api/v1/deployments
Content-Type: application/json

入参描述

字段

传参方式

类型

必选

描述

示例值

model_name

Body

string

是

微调模型名称。

填写创建微调任务输出参数 output.finetuned_output 的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

capacity

Body

integer

是

部署的模型实例数量。推荐设置为1。

1

plan

Body

string

是

部署方式。LoRA高效微调固定为lora。

lora

aigc_config

Body

object

是

aigc特定配置。

-

aigc_config.prompt

Body

string

是

预置Prompt模板。

模型将结合该模板与输入图片，自动生成包含特定特效的视频描述。
注意：配置此参数后，该模板具有最高优先级，模型调用接口中传入的 prompt 参数将不再生效，因此无需填写。

根据图像内容提供视频描述...

请参见请求示例

aigc_config.lora_prompt_default

Body

string

是

默认兜底Prompt。

当使用aigc_config.prompt生成失败时，将使用此参数来生成视频。

然后开始展示s86b5p金钱雨特效...

请参见请求示例

关于aigc_config.prompt参数说明

  • 为什么要设置这个参数？

    如果不设置此参数，每次调用模型都需手动编写完整 Prompt；设置后，调用微调后的模型时，只需上传图片，系统会根据此参数自动补全特效指令，无需手动输入 Prompt。

  • 如何设置？

    Prompt = 任务指令（告诉模型要做什么）+ 输出模板（规范输出格式）+ 示例（让模型学习示例结构）。

    根据图像内容提供视频描述，描述必须包含“然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她（他）。钞票持续落下，同时镜头缓缓拉进，她（他）双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中”。
输出模版:
视频开头展示了[主体描述]。[环境描述]。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她（他）。钞票持续落下，同时镜头缓缓拉进，她（他）双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。
示例:
视频开头展示了一位年轻女性在海滩上的场景。她的头发湿漉漉的，呈现出深棕色，卷曲且略显凌乱。她的脸上带着灿烂的笑容。背景是波涛汹涌的海浪和远处的山脉。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她。钞票持续落下，同时镜头缓缓拉进，她双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。
    关于“输出模板”描述，请参见视频标注：为视频编写Prompt。

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

object

任务详情。

-

output.deployed_model

string

部署的模型名称。等同于输入参数model_name的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

output.model_name

string

模型标识名。等同于输入参数model_name的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

output.status

string

部署状态：

  • PENDING：部署中

  • RUNNING：运行中

  • FAILED：部署失败

PENDING

output.base_model

string

使用的基准模型。

wan2.5-i2v-preview

output.gmt_create

string

部署任务创建时间。

2025-11-11T17:46:53.294

output.gmt_modified

string

部署任务更新时间。

2025-11-11T17:46:53.294

output.workspace_id

string

阿里云百炼API Key所属的业务空间ID。

请参见获取Workspace ID。

llm-xxxxxxxxx

output.charge_type

string

付费模式。post_paid表示后付费。

post_paid

output.creator

string

创建人的阿里云账号ID。

12xxxxxxx

output.modifier

string

修改人的阿里云账号ID。

12xxxxxxx

output.plan

string

部署方式。

lora

请求示例

请将 <替换为模型名称model_name> 完整替换为创建微调任务输出参数finetuned_output的值。

curl --location 'https://dashscope.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<替换为模型名称model_name>",
    "aigc_config": {
        "prompt": "根据图像内容提供视频描述，描述必须包含“然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她（他）。钞票持续落下，同时镜头缓缓拉进，她（他）双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中”。\n输出模板:\n视模板头展示了[主体描述]。[环境描述]。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她（他）。钞票持续落下，同时镜头缓缓拉进，她（他）双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。\n示例:\n视频开头展示了一位年轻女性在海滩上的场景。她的头发湿漉漉的，呈现出深棕色，卷曲且略显凌乱。她的脸上带着灿烂的笑容。背景是波涛汹涌的海浪和远处的山脉。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕她。钞票持续落下，同时镜头缓缓拉进，她双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。",
        "lora_prompt_default": "然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕主角。钞票持续落下，同时镜头缓缓拉进，主角双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。"
    },
    "capacity": 1,
    "plan": "lora"
}'

响应示例

{
    "request_id": "96020b2e-9072-4c8a-9981-xxxxxxxxx",
    "output": {
        "deployed_model": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "gmt_create": "2025-11-11T17:46:53.294",
        "gmt_modified": "2025-11-11T17:46:53.294",
        "status": "PENDING",
        "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "base_model": "wan2.5-i2v-preview",
        "workspace_id": "llm-xxxxxxxxx",
        "charge_type": "post_paid",
        "creator": "12xxxxxxx",
        "modifier": "12xxxxxxx",
        "plan": "lora"
    }
}

查询模型部署状态

API描述：轮询此接口，当任务状态status 变为 RUNNING，表示模型已部署成功。

说明

本文示例的微调模型，部署过程预计需要 5～10分钟。

请求接口

GET https://dashscope.aliyuncs.com/api/v1/deployments/{model_name}

入参描述

字段

传参方式

类型

必选

描述

示例值

model_name

Path parameter

string

是

微调模型名称。

填写创建微调任务输出参数 output.finetuned_output 的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

object

任务详情。

-

output.deployed_model

string

部署的模型名称。等同于输入参数model_name的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

output.model_name

string

模型标识名。等同于输入参数model_name的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

output.status

string

部署状态：

  • PENDING：部署中

  • RUNNING：运行中

  • ARREARS_DOWN：欠费停服

  • ARREARS_RECOVERING：欠费停服恢复中

  • FAILED：部署失败

  • OFFLINING：服务下线中

  • UPDATING：变配中

  • UPDATING_FAILED：变配失败

RUNNING

output.base_model

string

使用的基准模型。

wan2.5-i2v-preview

output.gmt_create

string

部署任务创建时间。

2025-11-11T17:46:53.294

output.gmt_modified

string

部署任务更新时间。

2025-11-11T18:02:2

output.workspace_id

string

阿里云百炼API Key所属的业务空间ID。

请参见获取Workspace ID。

llm-xxxxxxxxx

output.charge_type

string

付费模式。post_paid表示后付费。

post_paid

output.creator

string

创建人的阿里云账号ID。

12xxxxxxx

output.modifier

string

修改人的阿里云账号ID。

12xxxxxxx

output.plan

string

部署方式。

lora

请求示例

请将 <替换为模型名称model_name> 完整替换为创建微调任务输出参数finetuned_output的值。

curl --location 'https://dashscope.aliyuncs.com/api/v1/deployments/<替换为模型名称model_name>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

关注status字段。当状态变为 RUNNING 时，表示模型已部署成功，可以开始调用。

{
    "request_id": "66d15f35-0772-409f-bc70-xxxxxxxxx",
    "output": {
        "deployed_model": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "gmt_create": "2025-11-11T17:46:53",
        "gmt_modified": "2025-11-11T18:02:24",
        "status": "RUNNING",
        "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "base_model": "wan2.5-i2v-preview",
        "workspace_id": "llm-xxxxxxxxx",
        "charge_type": "post_paid",
        "creator": "12xxxxxxx",
        "modifier": "12xxxxxxxx",
        "plan": "lora"
    }
}

调用模型生成视频

调用微调后的LoRA模型，请参见调用模型生成视频。

Checkpoint 管理

1. 查询Checkpoint列表

API描述：获取通过验证集成功生成预览视频的 Checkpoint列表，验证失败的不会列出。

使用限制：该接口需在模型微调训练完成后调用，否则将返回空列表。

请求接口

GET https://dashscope.aliyuncs.com/api/v1/fine-tunes/{job_id}/validation-results

入参描述

字段

传参方式

类型

必选

描述

示例值

job_id

Path parameter

string

是

微调任务ID。

ft-202511111122-xxxx

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

array[string]

Checkpoint列表。

-

output[].checkpoint

string

Checkpoint名称。

checkpoint-160

请求示例

请将 URL 中的 <替换为微调任务job_id> 完整替换为创建微调任务输出参数job_id的值。

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/validation-results' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

{
    "request_id": "da1310f5-5a21-4e29-99d4-xxxxxx",
    "output": [
        {
            "checkpoint": "checkpoint-160"
        },
        {
            "checkpoint": "checkpoint-20"
        },
        {
            "checkpoint": "checkpoint-40"
        },
        {
            "checkpoint": "checkpoint-60"
        }
    ]
}

2. 查询Checkpoint验证结果

API描述： 根据checkpoint（例如“checkpoint-160”），查看其生成的视频效果。

请求接口

GET https://dashscope.aliyuncs.com/api/v1/fine-tunes/{job_id}/validation-details/{checkpoint}?page_no=1&page_size=10

入参描述

字段

传参方式

类型

必选

描述

示例值

job_id

Path parameter

string

是

微调任务ID。

ft-202511111122-xxxx

checkpoint

Path parameter

string

是

Checkpoint名称。

checkpoint-160

page_no

Query parameter

integer

否

页码。默认为1。

1

page_size

Query parameter

integer

否

每页数量。默认为10。

10

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

375b3ad0-d3fa-451f-b629-xxxxxxx

output

object

输出结果。

-

output.page_no

integer

页码。

1

output.page_size

integer

每页数量。

10

output.total

integer

验证集列表总数量。

1

output.list

array[object]

验证集列表。

-

output.list[].video_path

string

通过Checkpoint生成的视频。

video_path有效期为24小时，请及时下载视频。

https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.mp4?Expires=xxxx

output.list[].prompt

string

验证数据的prompt。从数据集的标注文件data.jsonl获得。

视频开头展示了一位年轻男性坐在咖啡馆的场景...

output.list[].first_frame_path

string

验证的图像地址。系统会读取数据集中的图像，并生成一个公网URL地址。

https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg

请求示例

  • <替换为微调任务job_id>： 完整替换为创建微调任务输出参数job_id的值。

  • <替换为选择的checkpoint>：完整替换为选定的Checkpoint名称，例如“checkpoint-160”。

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/validation-details/<替换为选择的checkpoint>?page_no=1&page_size=10' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

video_path有效期为24小时，请及时下载视频。
{
    "request_id": "375b3ad0-d3fa-451f-b629-xxxxxxx",
    "output": {
        "page_no": 1,
        "page_size": 10,
        "total": 1,
        "list": [
            {
                "video_path": "https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.mp4?Expires=xxxx",
                "prompt": "视频开头展示了一位年轻男性坐在咖啡馆的场景。他穿着一件米色的Polo衫，神情专注且略显沉思，手指轻轻托着下巴。他的面前摆放着一杯热气腾腾的咖啡，背景是木质条纹的墙壁和一个装饰牌。然后开始展示s86b5p金钱雨特效，无数巨大尺寸的美元钞票（米黄底/深绿图案）如暴雨般倾泻而下，密集地砸向并环绕他。钞票持续落下，他双臂舒展上扬，脖颈微仰，表情惊喜，完全沉浸在这场狂野的金钱雨中。",
                "first_frame_path": "https://finetune-swap-wulanchabu.oss-cn-wulanchabu.aliyuncs.com/xxx.jpeg"
            }
        ]
    }
}

3. 导出Checkpoint

API描述：将Checkpoint导出为可部署模型。

请求接口

GET https://dashscope.aliyuncs.com/api/v1/fine-tunes/{job_id}/export/{checkpoint}?model_name={model_name}

入参描述

字段

传参方式

类型

必选

描述

示例值

job_id

Path parameter

string

是

微调任务ID。

ft-202511111122-xxxx

checkpoint

Path parameter

string

是

Checkpoint名称。

checkpoint-160

model_name

Query parameter

string

是

微调的模型名称。

填写为创建微调任务输出参数finetuned_output的值。

wan2.5-i2v-preview-ft-202511111122-xxxx

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

boolean

导出请求是否提交成功。

  • true：表示导出请求提交成功。

  • false：表示导出请求提交失败，建议重试。

true

请求示例

  • <替换为微调任务job_id>：完整替换为创建微调任务输出参数job_id的值。

  • <替换为待导出的checkpoint>：完整替换为checkpoint的值，例如“checkpoint-160”。

  • <替换为模型名称model_name>：完整替换创建微调任务输出参数finetuned_output的值。

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/export/<替换为待导出的checkpoint>?model_name=<替换为模型名称model_name>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

{
    "request_id": "0817d1ed-b6b6-4383-9650-xxxxx",
    "output": true
}

4. 查询导出的模型详情

API描述：查询所有Checkpoint的状态，确认导出已完成，并获取它专属的、用于部署的新模型名称（model_name）。

请求接口

GET https://dashscope.aliyuncs.com/api/v1/fine-tunes/{job_id}/checkpoints

入参描述

字段

传参方式

类型

必选

描述

示例值

job_id

Path parameter

string

是

微调任务ID。

ft-202511111122-xxxx

出参描述

字段

类型

描述

示例值

request_id

string

请求的唯一标识符。

0eb05b0c-02ba-414a-9d0c-xxxxxxxxx

output

array[object]

Checkpoint列表详情。

-

output[].create_time

string

创建时间。

2025-11-11T13:27:29

output[].job_id

string

微调任务ID。

ft-202511111122-xxxx

output[].checkpoint

string

Checkpoint名称。

checkpoint-160

output[].full_name

string

Checkpoint完整名称标识。

job_id 加上具体的 Checkpoint 名称拼接而成。

ft-202511111122-496e-checkpoint-160

output[].model_name

string

导出后的模型名称。用于模型部署和调用。

当status为SUCCEEDED时返回。

wan2.5-i2v-preview-ft-202511111122-xxxx-c160

output[].model_display_name

string

模型展示名称。

wan2.5-i2v-preview-ft-202511111122-xxxx

output[].status

string

模型导出状态：

  • PENDING：排队中

  • PROCESSING：导出中

  • SUCCEEDED：导出成功

  • FAILED：导出失败

  • UNSUPPORTED：不支持导出

SUCCEEDED

请求示例

请将 <替换为微调任务job_id> 完整替换为创建微调任务输出参数job_id的值。

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/checkpoints' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

请在返回列表中定位目标 Checkpoint（如 checkpoint-160）。当其状态变为 SUCCEEDED 时，表示导出成功，请务必获取并保存 model_name，它是后续模型部署与调用的唯一标识。

{
    "request_id": "b0e33c6e-404b-4524-87ac-xxxxxx",
    "output": [
         ......,
        {
            "create_time": "2025-11-11T13:42:31",
            "full_name": "ft-202511111122-496e-checkpoint-180",
            "job_id": "ft-202511111122-496e",
            "checkpoint": "checkpoint-180",
            "status": "PENDING" // 未导出的checkpoint，没有model_name字段
        },
        {
            "create_time": "2025-11-11T13:27:29",
            "full_name": "ft-202511111122-496e-checkpoint-160",
            "job_id": "ft-202511111122-496e",
            "checkpoint": "checkpoint-160",                             
            "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx-c160", // 重要字段，用于模型部署和调用
            "model_display_name": "wan2.5-i2v-preview-ft-202511111122-xxxx", 
            "status": "SUCCEEDED" // 成功导出的checkpoint
        },
        ......
        
    ]
}

5. 部署和调用模型

使用成功导出 checkpoint 后返回的 model_name，完成以下操作：

在所有需要填写 model_name 的接口中，统一使用该 model_name 即可。

微调任务管理

输入参数和输出参数请参见模型调优 API参考。

查询微调任务日志

请求示例

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/logs' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

{
    "request_id": "b7ecb456-6dd1-4f35-a581-xxxxxx",
    "output": {
        "total": 25,
        "logs": [
            "2025-11-11 11:23:37,315 - INFO - data process succeeded, start to fine-tune",
            " Actual number of consumed tokens is 215040 !",
            " Actual number of consumed tokens is 419840 !",
            " Actual number of consumed tokens is 624640 !",
            " Actual number of consumed tokens is 829440 !",
            " Actual number of consumed tokens is 1034240 !",
            " Actual number of consumed tokens is 1239040 !",
            " Actual number of consumed tokens is 1443840 !",
            " Actual number of consumed tokens is 1648640 !",
            " Actual number of consumed tokens is 1853440 !",
            " Actual number of consumed tokens is 2058240 !",
            " Actual number of consumed tokens is 2263040 !",
            " Actual number of consumed tokens is 2467840 !",
            " Actual number of consumed tokens is 2672640 !",
            " Actual number of consumed tokens is 2877440 !",
            " Actual number of consumed tokens is 3082240 !",
            " Actual number of consumed tokens is 3287040 !",
            " Actual number of consumed tokens is 3491840 !",
            " Actual number of consumed tokens is 3696640 !",
            " Actual number of consumed tokens is 3901440 !",
            "2025-11-11 16:31:40,760 - INFO - fine-tuned output got, start to transfer it for inference",
            "2025-11-11 16:32:29,162 - INFO - transfer for inference succeeded, start to deliver it for inference",
            "2025-11-11 16:40:28,784 - INFO - start to save checkpoint",
            "2025-11-11 16:49:01,738 - INFO - finetune-job succeeded",
            "2025-11-11 16:49:02,234 - INFO - ##FT_COMPLETE##"
        ]
    }
}

查询微调任务列表

请求示例

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

响应示例

{
    "request_id": "bf4d3475-f50c-42e2-a263-xxxxxxxxx",
    "output": {
        "page_no": 1,
        "page_size": 10,
        "total": 1,
        "jobs": [
            {
                "job_id": "ft-202511111122-xxxx",
                "job_name": "ft-202511111122-xxxx",
                "status": "SUCCEEDED",
                "finetuned_output": "wan2.5-i2v-preview-ft-202511111122-xxxx",
                "model": "wan2.5-i2v-preview",
                "base_model": "wan2.5-i2v-preview",
                "training_file_ids": [
                    "xxxxxxxxx"
                ],
                "validation_file_ids": [],
                "hyper_parameters": {
                    "n_epochs": 400,
                    "batch_size": 2,
                    "learning_rate": 2.0E-5,
                    "split": 0.9,
                    "eval_epochs": 20
                },
                "training_type": "efficient_sft",
                "create_time": "2025-11-11 11:22:22",
                "workspace_id": "llm-xxxxxxxxx",
                "user_identity": "xxxxxxxxx",
                "modifier": "xxxxxxxxx",
                "creator": "xxxxxxxxx",
                "end_time": "2025-11-11 16:49:01",
                "group": "llm",
                "usage": 432000,
                "max_output_cnt": 20,
                "output_cnt": 20
            }
        ]
    }
}

取消微调任务

请求示例

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>/cancel' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

{
    "request_id": "d8dab938-e32e-40bf-83ab-xxxxxx",
    "output": {
        "status": "success"
    }
}

删除微调任务

请求示例

curl --location --request DELETE 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<替换为微调任务job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

响应示例

{
    "request_id": "1301136c-12f2-4504-880a-xxxxxx",
    "output": {
        "status": "success"
    }
}

上一篇：百炼文件管理 API下一篇：Paraformer语音识别热词定制与管理