メインコンテンツへスキップ

Documentation Index

Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt

Use this file to discover all available pages before exploring further.

Serverless RL でモデルをトレーニングすると、そのモデルは自動的に推論で使用できるようになります。 トレーニングしたモデルにリクエストを送信するには、以下が必要です。 モデルのエンドポイントは、次のスキーマを使用します。 
wandb-artifact:///<entity>/<project>/<model-name>:<step>
スキーマは次の要素で構成されます。
  • W&B entity (チーム) の名
  • モデルに関連付けられた project の名
  • トレーニング済みモデルの名
  • デプロイするモデルのトレーニング step (通常、これは評価でモデルの性能が最も高かった step です)
たとえば、W&B チームの名が email-specialists、project の名が mail-search、トレーニング済みモデルの名が agent-001 で、step 25 のモデルをデプロイする場合、エンドポイントは次のようになります。 
wandb-artifact:///email-specialists/mail-search/agent-001:step25
エンドポイントを取得したら、それを通常の推論ワークフローに統合できます。以下の例では、cURL リクエストまたは Python OpenAI SDK を使用して、トレーニング済みのモデルに推論リクエストを送信する方法を示します。

​
cURL

curl https://api.training.wandb.ai/v1/chat/completions \
    -H "Authorization: Bearer $WANDB_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{
            "model": "wandb-artifact://<entity>/<project>/<model-name>:<step>",
            "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "Summarize our training run."}
            ],
            "temperature": 0.7,
            "top_p": 0.95
        }'

​
OpenAI SDK

from openai import OpenAI

WANDB_API_KEY = "your-wandb-api-key"
ENTITY = "my-entity"
PROJECT = "my-project"

client = OpenAI(
    base_url="https://api.training.wandb.ai/v1",
    api_key=WANDB_API_KEY
)

response = client.chat.completions.create(
    model=f"wandb-artifact:///{ENTITY}/{PROJECT}/my-model:step100",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Summarize our training run."},
    ],
    temperature=0.7,
    top_p=0.95,
)

print(response.choices[0].message.content)