> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-hivemind-launch.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Utilisez vos modèles entraînés

> Envoyez des requêtes d’inférence aux modèles que vous avez entraînés

Après avoir entraîné un modèle avec Serverless RL, il est automatiquement disponible pour l’inférence.

Pour envoyer des requêtes à votre modèle entraîné, vous avez besoin de :

* Votre [clé API W\&B](https://wandb.ai/settings)
* L’URL de base de [l’API Serverless RL](/fr/serverless-rl/api-reference), `https://api.training.wandb.ai/v1/`
* Le point de terminaison de votre modèle

Le point de terminaison du modèle utilise le schéma suivant :

```
wandb-artifact:///<entity>/<project>/<model-name>:<step>
```

Le schéma se compose de :

* du nom de votre entité W\&B (équipe)
* du nom du projet associé à votre modèle
* du nom du modèle entraîné
* de l’étape d’entraînement du modèle que vous souhaitez déployer (il s’agit généralement de l’étape où le modèle a obtenu les meilleurs résultats lors de vos évaluations)

Par exemple, si votre équipe W\&B s’appelle `email-specialists`, que votre projet s’appelle `mail-search`, que votre modèle entraîné s’appelle `agent-001` et que vous souhaitez le déployer à l’étape 25, le point de terminaison ressemble à ceci :

```
wandb-artifact:///email-specialists/mail-search/agent-001:step25
```

Une fois que vous disposez de votre point de terminaison, vous pouvez l’intégrer à vos flux de travail d’inférence habituels. Les exemples suivants montrent comment envoyer des requêtes d’inférence à votre modèle entraîné à l’aide d’une requête cURL ou du [SDK d’OpenAI pour Python](https://github.com/openai/openai-python).

<div id="curl">
  ### cURL
</div>

```shell theme={null}
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
        }'
```

<div id="openai-sdk">
  ### SDK d’OpenAI
</div>

```python theme={null}
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)
```