快速开始¶
用自己的数据训练开源模型，并部署为可调用的服务。
本指南带你完成一次 SFT 训练，并将产出的模型接入应用。开始前，准备一个 Mint Recursive 账号、一份训练数据，以及用于调用模型的 API Key。费用参见服务价格。
1. 准备自己的数据¶
在 我的数据 上传 JSONL 文件。每行是一条独立 JSON 对象，使用 messages 描述对话及期望回答：
{"messages":[{"role":"user","content":"请将这条反馈归类：送货很快。"},{"role":"assistant","content":"物流体验：正向"}]}
{"messages":[{"role":"user","content":"请将这条反馈归类：包装有破损。"},{"role":"assistant","content":"包装质量：负向"}]}
示例用于说明格式，正式训练应准备能够覆盖实际任务的样本。确认上传后，等待数据校验完成；选择有效样本数大于零、结构校验通过的数据版本。详见数据。
2. 训练模型¶
进入 训练，选择基础模型和刚上传的数据版本。首次运行可以使用界面的默认 SFT 配置，并为任务设置易识别的名称。
检查训练摘要，完成 训练前预检，根据检查结果修正配置后提交训练。Serverless 资源由平台调度；任务可能先排队，再开始执行。
在 我的训练 查看状态和训练详情。成功后，到 我的模型 找到对应版本。训练完成意味着产物已生成；是否适合你的任务，还需要通过测试确认。
3. 部署训练后的模型¶
在 我的模型 选择目标版本进入部署，或在 部署 页面选择训练版本和部署方式。提交后查看部署状态，确认加载、健康和路由均已就绪，再进行调用。
训练版本与在线服务是两个不同资源。有关部署方式和就绪条件，参见部署。
4. 发起第一次调用¶
打开 模型调用 → API 接入，选择模型与已创建的 API Key。使用页面提供的 Base URL、Model ID 和调用示例。请使用对应部署的调用配置；模型版本号、检查点路径和 API Model ID 不应混用。
先用一个代表性问题确认可以得到响应，再通过评测比较训练前后的表现。将评测样本与训练样本分开，才能更可靠地判断泛化能力。