Quand l’ajustement fin est préférable aux invites
Effectuez un ajustement fin pour les tâches spécialisées, les formats personnalisés ou pour raccourcir les invites, mais pas pour enseigner de nouveaux faits.
Quand l’ajustement fin est préférable aux invites est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Commencer par les invites, ajuster finement ensuite
Épuisez toujours les possibilités des invites avant de recourir à l’ajustement fin :
- Meilleure invite système
- Exemples en contexte
- Descriptions des outils
- Meilleur modèle
- Sorties structurées / Pydantic
- RAG
- ... THEN ajustement fin
Quand l’ajustement fin est utile
- Format ou style spécifique — votre langage de sortie YAML personnalisé
- Domaine restreint — médecine, droit, révisions de code
- Latence — invites courtes (sans exemples en contexte) → inférence plus rapide
- Coût — invites plus courtes → moins de jetons facturés
- Persona cohérente — voix d’un personnage, ton de marque
Quand l’ajustement fin nuit aux résultats
- Enseigner des faits — RAG est préférable. Les ajustements fins font oublier des faits
- Raisonnement général — les modèles de pointe excellent déjà dans ce domaine
- Mises à jour fréquentes — le réentraînement est lent
- Petits jeux de données — moins de 100 exemples influencent rarement les résultats
Ajustement fin des modèles fermés
OpenAI et Anthropic proposent tous deux des API d’ajustement fin :
# OpenAI:
client.fine_tuning.jobs.create(
training_file='file-abc',
model='gpt-4o-mini-2024-07-18'
)Ajustement fin des modèles ouverts
Avec Llama/Mistral/Qwen, vous contrôlez tout. Outils :
- Unsloth — le plus rapide, avec peu de VRAM
- Axolotl — piloté par configuration et complet
- LLaMA-Factory — solution alternative d’une équipe chinoise
- HuggingFace TRL — officiel et flexible
Ajustement fin complet ou PEFT
Deux approches sont possibles :
- Complet — mettre à jour chaque poids. Coûteux (une quantité considérable de VRAM est nécessaire).
- PEFT / LoRA — entraîner de minuscules couches d’adaptation. Cent fois moins coûteux, avec une qualité similaire pour la plupart des tâches.
Coût de l’ajustement fin (OpenAI)
Valeurs approximatives (mi-2025) :
- Entraînement : 0,003 $ / 1 000 jetons
- Inférence sur le modèle ajusté : légèrement plus coûteuse que sur le modèle de base
- Dizaines de milliers d’exemples : coût total d’entraînement de 20 à 200 $
Coût de l’ajustement fin (auto-hébergé)
Une heure sur 8xH100 : environ 100 $ avec Lambda Labs. Un LoRA sur Llama 70B avec 10 000 exemples : environ 50 à 150 $ au total.
Règle générale sur le volume de données
- 50 exemples — utiles uniquement pour le style ou le format
- 500 exemples — améliorations significatives
- 5 000 exemples ou plus — nouvelle capacité substantielle
- 50 000 exemples ou plus — rendements décroissants par rapport à la qualité du jeu de données
D’où viennent les données ?
- Traces de production (avec corrections)
- Génération synthétique par un modèle plus puissant
- Annotation humaine
- Jeux de données publics
Choisir entre ajustement fin, RAG et invites
| Objectif | Meilleure approche |
|---|---|
| Nouveaux faits | RAG |
| Nouveau format | Ajustement fin (ou invite bien conçue) |
| Nouveau style | Ajustement fin |
| Meilleur raisonnement | Modèle plus puissant |
| Coût ou latence réduits | Modèle plus petit avec ajustement fin |
Évaluation avant et après
Comparez toujours le modèle affiné au modèle de base sur YOUR ensemble d’évaluation. Parfois, l’affinage donne de moins bons résultats : soyez prêt à l’abandonner.
Raison BEST d’effectuer un affinage
Quelle est la raison BEST d’effectuer un affinage ?
Récapitulatif
Commencez par le prompt ; n’effectuez un affinage que pour des raisons précises de format, de style ou de domaine. Utilisez PEFT/LoRA pour réduire les coûts. Effectuez toujours une évaluation avant et après.
Questions Fréquemment Posées
La leçon « Quand l’ajustement fin est préférable aux invites » est-elle gratuite ?
Oui — le texte complet de « Quand l’ajustement fin est préférable aux invites » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Quand l’ajustement fin est préférable aux invites » ?
Effectuez un ajustement fin pour les tâches spécialisées, les formats personnalisés ou pour raccourcir les invites, mais pas pour enseigner de nouveaux faits. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Quand l’ajustement fin est préférable aux invites » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Quand l’ajustement fin est préférable aux invites
- Collecte de données : trajectoires et rejeu des traces
- LoRA et QLoRA pour un ajustement économique
- Évaluer les modèles ajustés par rapport au modèle de base