Démarrage rapide du fine-tuning

Ce guide de démarrage rapide vous montre comment entraîner un modèle spécialisé pour une tâche à partir d’un dataset prêt, dans l’interface utilisateur, puis utiliser l’artifact déployé pour les évaluations et l’acheminement.

Avant de commencer, créez un dataset contenant des entrées d’entraînement. Si vous avez généré de meilleures cibles par réétiquetage, attendez que ce run de réétiquetage soit terminé.

Ouvrir Tuned Models

Depuis le projet, ouvrez Tuned Models et sélectionnez Fine Tune.

Choisir les données d’entraînement

Sélectionnez un dataset prêt, puis choisissez comme cibles d’apprentissage du modèle les sorties d’origine ou un run de réétiquetage terminé.

Sélectionner un modèle de base

Choisissez l’un des modèles d’entraînement pris en charge. Si vous disposez de la capacité de calcul nécessaire, entraînez plusieurs candidats plutôt que de partir du principe que le plus grand modèle sera le plus performant.

Conserver ou personnaliser les valeurs par défaut

Le nom du modèle affiné est facultatif. Pour un premier run, conservez la configuration d’entraînement automatique. Pour configurer le run, développez les options de personnalisation. Vous pouvez limiter le nombre d’exemples d’entraînement, définir la taille de lot et le nombre d’époques, et indiquer un taux d’apprentissage maximal ou un planning complet du taux d’apprentissage. Vous pouvez également choisir les tours de conversation de l’assistant sur lesquels porte l’entraînement, ou transmettre des options expérimentales de W&B Serverless Training. Pour plus de détails, consultez Paramètres d’entraînement.

Lancer l’entraînement

Sélectionnez Start training. Le modèle passe par les états Queued puis Training, et l’interface utilisateur affiche la progression de 0 à 100 %.

Utiliser l’artifact déployé

Lorsque le statut passe à Deployed, l’artifact W&B exact apparaît dans l’interface utilisateur et devient disponible pour les évaluations et l’acheminement via wandb-inference.

Ensuite, évaluez le modèle affiné sur des lignes de validation mises de côté avant de lui envoyer du trafic de production.

API : Lancer l’entraînement (POST /tasks/{alias}/finetunes)

Omettez model_config pour utiliser la configuration d’entraînement automatique :

curl --request POST \
  --url "https://distillation.training.wandb.ai/v1/tasks/ticket-classifier/finetunes" \
  --header "Authorization: Bearer $WANDB_API_KEY" \
  --header "Wandb-Entity: your-team" \
  --header "Content-Type: application/json" \
  --data "{
    \"dataset_id\": \"$DATASET_ID\",
    \"model_name\": \"ticket-classifier-qwen\",
    \"base_model\": \"Qwen/Qwen3-30B-A3B-Instruct-2507\"
  }"

Interrogez régulièrement le modèle affiné renvoyé jusqu’à ce que son état soit deployed ou failed. Voir Créer un modèle affiné.

Dernière modification le 30 septembre 2026