Pular para o conteúdo principal

Conceitos principais

Estas páginas usam um termo para cada conceito. Isto é o que cada termo significa e como eles se encaixam.

projeto (texto ou embeddings)
  dataset: chats ou pares de treinamento, marcados com tags
    job de treinamento: treina um modelo base com uma versão congelada do dataset
      tentativas: cada execução do job; o checkpoint mantido vira o modelo dele
        modelo hospedado: o nome que o seu código chama; o uso é pago em dólares americanos

Projeto​

O espaço de trabalho que reúne seus dados, jobs de treinamento e modelos hospedados. Um projeto tem um tipo, text ou embedding, escolhido na criação e que nunca muda. Só o proprietário pode usá-lo. Um projeto é arquivado, nunca excluído: arquivar mantém tudo e pode ser desfeito. O endereço dele em todo caminho é {owner_slug}/{project_slug}; o slug é definido uma vez a partir do nome. Veja Projetos.

Modelo base​

Um modelo do catálogo da ReOpenly. É o que um job de treinamento ajusta, e você pode chamá-lo diretamente, sem projeto: ReOpenly/Qwen3.5-9B para texto, ReOpenly/Qwen3-Embedding-0.6B e ReOpenly/Qwen3-Embedding-4B para embeddings. GET /api/v1/base-models lista o catálogo e os limites dele.

Dataset​

Os dados de treino de um projeto. Um projeto de texto tem um dataset, feito de chats. Um projeto de embeddings começa com um dataset padrão, pode ter até 20, e cada um é feito de pares de treinamento. Veja Datasets de embeddings.

Chat​

Um exemplo de treino em um projeto de texto: uma conversa de mensagens com papéis como user e assistant. Você adiciona chats à mão, pela API ou por importação. Veja Chats.

Par de treinamento​

Um exemplo de treino em um projeto de embeddings: um anchor (uma consulta), um positive (um trecho que a responde) e um negative opcional (um trecho que parece relacionado mas não a responde).

Tag​

Um rótulo em chats ou pares de treinamento, usado para escolher com o que uma execução treina. Uma execução de texto seleciona chats pelo nome da tag (dataset_tags); uma execução de embeddings pode restringir o dataset aos pares marcados (tag_ids).

Versão congelada do dataset​

A cópia exata dos exemplos com que uma execução treinou. Quando um job de treinamento começa, a ReOpenly copia os exemplos selecionados para um registro congelado: editar ou excluir seus dados depois não muda o que o job treinou, e uma nova tentativa treina com a mesma cópia. GET .../training-jobs/{job_id}/dataset a lê.

Job de treinamento​

Um fine-tune de um modelo base sobre uma versão congelada do dataset. O app o chama de execução. Cada job tem um id, que a API usa em caminhos como .../training-jobs/{job_id}, e um number, contado a partir de 1 em cada projeto e mostrado no app. Jobs nunca são excluídos. Veja Jobs de treinamento.

Tentativa​

Uma execução de um job de treinamento. Um job começa com uma tentativa; uma nova tentativa ou uma retomada acrescenta outra. Cada tentativa tem o próprio status e o próprio log.

Checkpoint​

Um estado salvo do modelo durante o treino. Uma execução que separa exemplos para validação mede a perda neles em intervalos e mantém o checkpoint com a menor perda: o checkpoint mantido vira o modelo do job. Essa perda é medida durante o treino e só escolhe um checkpoint; ela não mede a qualidade do modelo hospedado. Quando há um modelo, o job informa model_available: true.

Modelo hospedado​

Um nome estável em um projeto que aponta para um modelo treinado. O slug dele é o valor de model que o seu código envia, e você pode apontá-lo para um job mais novo depois sem mudar esse código. A API também chama um modelo hospedado de alias: é a mesma coisa. Veja Modelos hospedados.

Saldo e taxa​

Você paga em dólares americanos, a partir de um saldo pré-pago. O treino é cobrado por minuto de tempo de treino medido, e só por ele, e a inferência por token (tokens de entrada e de saída com preços separados por milhão), pelos preços que GET /api/v1/pricing/platform publica; o tempo na fila e o tempo ocioso são gratuitos. GET /api/v1/credits retorna o seu saldo. Campos cujo nome diz credits, como available_credits, guardam dólares americanos: os nomes foram mantidos por compatibilidade. Veja Preços e cobrança.

Estimativa e teto de custo​

Antes de uma execução começar, a ReOpenly retorna dois números. A estimativa é quanto a execução deve levar e custar. Para começar, o seu saldo precisa estar acima de zero e cobrir a estimativa mais uma margem de segurança. O teto de custo é o preço do limite de tempo da execução, o máximo que ela pode usar; o seu saldo não precisa cobri-lo, porque a execução é pausada antes de o seu saldo acabar. Você paga só pelo tempo de treino usado. Quando a estimativa não tem número (null), não há previsão; isso não significa que a execução é gratuita. Uma execução de embeddings sem estimativa precisa do teto de custo para começar.

Seus dados e o seu modelo​

Meus dados são usados para treinar outros modelos? Não. A ReOpenly não usa os seus datasets, prompts ou respostas para treinar os próprios modelos, e nenhum outro cliente tem acesso a eles. Se você ativar o salvamento automático, a inferência salva vai para o seu projeto, para os seus próprios fine-tunes.

O modelo treinado é meu? Sim. Quando uma execução termina, você pode baixar o adapter e guardá-lo ou rodá-lo em outro lugar. Compartilhar um modelo com outra conta não compartilha os dados com que ele foi treinado.

O que a ReOpenly guarda, e por quanto tempo? Sua conta, datasets, modelos e registros de cobrança ficam guardados enquanto a sua conta existir. Arquivar um projeto o esconde; não o apaga. O feedback de busca fica guardado até você pedir que seja apagado. Para apagar a sua conta e os seus dados, escreva para reopenly@gmail.com: a exclusão é concluída em até 30 dias úteis, os dados apagados saem dos nossos sistemas em uso na hora, e as cópias em backups de rotina somem quando esses backups expiram. Os registros de cobrança ficam guardados pelo tempo que a lei tributária exigir. A Política de Privacidade é a declaração completa.