本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# Fine-tune 开放式重量模型使用 OpenAI-兼容的 API
Amazon Bedrock 提供了OpenAI兼容的 API 终端节点，用于微调基础模型。这些终端节点允许您使用熟悉的OpenAI软件开发工具包和工具，通过 Amazon Bedrock 模型创建、监控和管理微调任务。本页重点介绍如何使用这些 API 进行钢筋微调。
## 关键功能
+ **上传训练文件**-使用 Files API 上传和管理用于微调作业的训练数据
+ **创建微调作业** — 使用自定义训练数据和奖励函数开始微调作业
+ **列出和检索作业**-查看所有微调任务并获取有关特定任务的详细信息
+ **监控作业事件**-通过详细的事件日志跟踪微调进度
+ **访问检查点**-检索训练期间创建的中间模型检查点
+ **立即推断** — 微调完成后，使用生成的微调模型通过 Amazon Bedrock OpenAI-compatible 的 APIResponses/chat （完成 API）进行按需推理，无需额外的部署步骤
+ **易于迁移** — 与现有 OpenAI SDK 代码库兼容
## 开放式重量模型的钢筋微调工作流程
在微调之前，请确保您具备先决条件，因为 Amazon Bedrock 需要特定的权限才能创建和管理微调流程。有关全面的安全和权限信息，请参阅[开放式重量模型的访问权限和安全性](rft-open-weight-access-security.md)。
通过 5 个步骤对开放式重量模型进行钢筋微调：
1. **上传训练数据集** — 使用 Files API 上传所需格式的提示（例如 JSONL），目的是 “微调” 作为强化微调训练数据集。有关更多信息，请参阅 [为开放式权重模型准备数据](rft-prepare-data-open-weight.md)。
1. **配置奖励函数**-使用 Lambda 函数定义评分者，根据正确性、结构、语气或其他目标对模型响应进行评分。有关更多信息，请参阅 [为开放式权重模型设置奖励函数](reward-functions-open-weight.md)。
1. C@@ **reate Fine-tuning Job** — 通过指定基础模型、数据集、奖励函数和其他可选设置（例如超参数），使用OpenAI兼容的 API 启动钢筋微调作业。有关更多信息，请参阅 [创建微调作业](fine-tuning-openai-job-create.md#fine-tuning-openai-create-job)。
1. **监控训练进度**-使用微调作业 API 跟踪作业状态、事件和训练指标。有关更多信息，请参阅 [列出微调事件](fine-tuning-openai-job-create.md#fine-tuning-openai-list-events)。访问中间模型检查点以评估不同训练阶段的性能，请参阅[列出微调检查点](fine-tuning-openai-job-create.md#fine-tuning-openai-list-checkpoints)。
1. **运行推理** — 通过与 Amazon Bedrock OpenAI 兼容的 “回复” 或 “聊天完成” API，直接使用经过微调的模型 ID 进行推理。有关更多信息，请参阅 [使用经过微调的模型运行推理](fine-tuning-openai-job-create.md#fine-tuning-openai-inference)。
## 支持的区域和终端节点
下表显示了支持OpenAI兼容微调 API 的基础模型和区域：
**支持的型号和区域 OpenAI 兼容的微调 API**
| Provider | 模型 | 模型 ID | 区域名称 | 区域 | 端点 |
| --- | --- | --- | --- | --- | --- |
| OpenAI | Gpt-oss-20B | openai.gpt-oss-20b | 美国西部（俄勒冈州） | us-west-2 | bedrock-mantle.us-west-2.api.aws |
| Qwen | Qwen3 32B | qwen.qwen3-32b | 美国西部（俄勒冈州） | us-west-2 | bedrock-mantle.us-west-2.api.aws |