推理云以托管与推理为主业，微调是附加功能。DeepOpen 从第一天起就围绕"把模型训好"来设计。
你只需要准备数据和"什么是好结果"。GPU 调度、分布式训练、评测与部署由 DeepOpen 完成。
SFT 样本、偏好数据，或用规则 / 评审模型定义的奖励函数。
按任务选择语言、视觉-语言或多模态开源权重模型。
LoRA 注入领域知识，RL 对齐业务目标，训练曲线实时可见。
训练结束即获得专属 API 端点，按 token 计费调用。
* 训练曲线与日志为示意动画，非真实运行数据。
通用模型懂常识，你的模型要懂行规。我们在以下领域提供数据工程、训练方案与部署的一体化服务。
用机构自有的病历、报告与影像描述训练专科模型，让输出符合本院的术语、格式与临床路径。模型权重归属清晰，可按需私有化部署。
模型定位为辅助工具，不替代医生诊断；医疗场景上线需满足所在地的数据合规与监管要求。
面向机器人与自动化设备，训练从视觉、语言指令到动作规划的策略模型。用仿真与真实轨迹数据，把强化学习的成本降到可承受的范围。
以开源视觉-语言模型为基座，用你的场景图像做领域适配，同时获得检测、描述、问答能力，摆脱"每个新类别都要重新标注训练"的循环。
产线上的缺陷样本稀少、类型多变。基于大模型的视觉理解能力，少量样本即可起步，模型输出缺陷类型、位置与判定依据，方便质检员复核。
训练按 token 计费，推理按 token 计费。没有闲置 GPU 费用，没有最低包时。
* 24 小时累计成本示意曲线，用于说明计费模式差异，不代表真实报价。
RL 采样与 LoRA 训练消耗多少就计多少，训练结束即停止计费。
夜间、周末没有流量时，账单也随之归零。
按数据规模与训练轮次预估训练成本，上线前就知道要花多少钱。
创建训练任务 → 等待完成 → 直接调用专属端点。
# 示意代码：SDK 名称、参数与端点均为占位，请以正式文档为准 from deepopen import DeepOpen client = DeepOpen(api_key="YOUR_API_KEY") # 1. 创建强化学习训练任务 job = client.train( base_model="<open-weights-model>", method="rl", # 或 "lora" dataset="ds_industrial_defects", reward="reward_fn_qc_v2", # 规则奖励 / 评审模型奖励 ) # 2. 等待训练完成，自动部署为推理端点 model = job.wait() print(model.endpoint) # 3. 直接调用你自己的模型（按 token 计费） resp = model.chat([{"role": "user", "content": "判断这张图片中的工件是否存在缺陷"}]) print(resp.text)
# 示意请求：端点为占位地址 curl https://api.deepopen.example/v1/train \ -H "Authorization: Bearer $DEEPOPEN_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "base_model": "<open-weights-model>", "method": "lora", "dataset": "ds_med_reports", "deploy_on_finish": true }'