메인 콘텐츠로 건너뛰기
Serverless RL로 모델을 학습하면, 해당 모델은 자동으로 추론에 사용할 수 있게 됩니다. 학습된 모델로 요청을 보내려면 다음이 필요합니다: 모델의 엔드포인트는 다음 형식을 사용합니다: 
wandb-artifact:///<entity>/<project>/<model-name>:<step>
스키마는 다음으로 구성됩니다:
  • W&B 엔터티(팀) 이름
  • 모델과 연결된 프로젝트 이름
  • 학습된 모델 이름
  • 배포하려는 모델의 학습 단계(step) (일반적으로 평가에서 가장 성능이 좋았던 단계)
예를 들어, W&B 팀 이름이 email-specialists, 프로젝트 이름이 mail-search, 학습된 모델 이름이 agent-001이고 이 모델을 step 25에서 배포하려는 경우, 엔드포인트는 다음과 같습니다: 
wandb-artifact:///email-specialists/mail-search/agent-001:step25
엔드포인트가 준비되면 기존 추론 워크플로우에 통합할 수 있습니다. 다음 예제에서는 cURL 요청 또는 Python OpenAI SDK를 사용해 학습된 모델에 추론 요청을 보내는 방법을 보여줍니다.

​
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)