> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Démarrage rapide du fine-tuning

> Entraînez votre premier modèle spécialisé à partir d’un dataset prêt.

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.

<Note>
  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.
</Note>

<Steps>
  <Step title="Ouvrir Tuned Models">
    Depuis le projet, ouvrez **Tuned Models** et sélectionnez **Fine Tune**.
  </Step>

  <Step title="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.
  </Step>

  <Step title="Sélectionner un modèle de base">
    Choisissez l’un des [modèles d’entraînement pris en charge](/fr/model-distillation/supported-models). 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.
  </Step>

  <Step title="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](/fr/model-distillation/studio/fine-tuning#training-parameters).
  </Step>

  <Step title="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 %.
  </Step>

  <Step title="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`.
  </Step>
</Steps>

Ensuite, [évaluez le modèle affiné](/fr/model-distillation/studio/evaluations-quickstart) sur des lignes de validation mises de côté avant de lui envoyer du trafic de production.

<Accordion title="API : Lancer l’entraînement (POST /tasks/{alias}/finetunes)">
  Omettez `model_config` pour utiliser la configuration d’entraînement automatique :

  ```bash theme={"system"}
  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](/fr/model-distillation/reference/management/fine-tunes/create-a-fine-tune).
</Accordion>