> ## 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.

# Fine-tuning

> Entraînez des modèles de base pris en charge à partir des sorties d’origine ou réétiquetées d’un dataset.

Le fine-tuning crée un modèle adapté à une tâche spécifique via W\&B Serverless Training et enregistre l’artifact hébergé obtenu dans l’interface utilisateur.

<Card title="Entraîner votre premier modèle" href="/fr/model-distillation/studio/fine-tuning-quickstart" arrow="true">
  Choisissez un dataset, un modèle de base et une configuration d’entraînement dans l’interface utilisateur.
</Card>

<h2 id="supported-base-models">
  Modèles de base pris en charge
</h2>

Pour connaître les modèles disponibles et savoir lequel choisir, consultez [Modèles d’entraînement pris en charge](/fr/model-distillation/supported-models). L’interface utilisateur peut afficher le modèle de base d’un modèle existant sur lequel le fine-tuning a été effectué, même si ce modèle n’est plus disponible pour de nouveaux runs d’entraînement.

<h2 id="create-a-fine-tune">
  Créer un fine-tuning à effectuer
</h2>

Choisissez les éléments suivants :

* Un dataset prêt contenant des lignes d’entraînement.
* Les sorties d’origine ou un run de réétiquetage terminé.
* Un modèle de base.
* Un nom de fine-tuning à effectuer (facultatif).
* Des paramètres d’entraînement (facultatif).

Les noms sont normalisés sous forme d’identifiants en minuscules séparés par des traits d’union. Si vous n’indiquez pas de nom, l’interface en génère un automatiquement, facile à lire.

<h2 id="training-parameters">
  Paramètres d’entraînement
</h2>

N’ouvrez la configuration avancée que si vous avez besoin de contrôler les éléments suivants :

| Champ | Signification |
| - | - |
| Nombre maximum d’exemples | Plafond déterministe appliqué au nombre de lignes d’entraînement. La validation n’est pas plafonnée. |
| Taille de lot | `auto`, qui équivaut à 2, ou un entier compris entre 1 et 32. L’interface propose Auto, 1, 2 et 4 pour la plupart des modèles, et jusqu’à 32 pour le modèle Nemotron. |
| Époques | Nombre de passages complets sur le jeu d’entraînement. Valeur par défaut : 1. |
| Taux d’apprentissage maximal | Valeur scalaire positive servant à construire le planning par défaut |
| Planning du taux d’apprentissage | Valeur explicite non négative pour chaque étape de l’optimiseur |
| Tours de conversation de l’assistant | Entraîner sur tous les tours de conversation de l’assistant ou uniquement sur le dernier |
| Configuration expérimentale | Options de Serverless Training qui ne sont pas encore proposées sous forme de champs dédiés |

Avec un taux d’apprentissage maximal scalaire, Model Distillation génère le même planning que l’utilitaire ART SFT : une phase de warmup linéaire sur 10 %, suivie d’une décroissance linéaire jusqu’à zéro. Si vous fournissez une liste complète, celle-ci est appliquée telle quelle.

<h2 id="status-and-artifacts">
  Statut et artifacts
</h2>

Les fine-tunings à effectuer passent par les états **Queued**, **Training**, **Deployed** ou **Failed**. La progression de l’entraînement est indiquée de 0 à 100 %. Un modèle déployé comporte une référence exacte à un artifact W\&B et peut être sélectionné immédiatement via `wandb-inference` pour les évaluations et l’acheminement.

Un fine-tuning effectué en échec affiche l’une des deux actions suivantes à côté de son statut, **Retry** ou **Create new model**, selon l’étape à laquelle l’échec s’est produit.

Si l’échec s’est produit dans le pipeline Model Distillation lui-même, par exemple pendant la préparation, pendant la surveillance de la tâche d’entraînement ou lors de l’enregistrement du résultat, sélectionnez **Retry**. L’effet de la nouvelle tentative dépend de l’avancement du fine-tuning effectué au moment de l’échec :

* Si aucun modèle d’entraînement n’a encore été créé, la nouvelle tentative relance la préparation.
* S’il existe une tâche d’entraînement confirmée, la nouvelle tentative la reprend avec de nouveaux identifiants d’authentification, conserve les époques terminées et n’entraîne que les époques restantes.
* Si un modèle d’entraînement existe mais qu’aucune soumission confirmée ne peut être récupérée, la nouvelle tentative renvoie `409 Conflict`. Créez alors un nouveau fine-tuning à effectuer.

Si c’est le service d’entraînement lui-même qui a signalé l’échec, la tâche ne peut pas être reprise et l’interface affiche **Create new model** à la place. Cette action ouvre la boîte de dialogue pour effectuer le fine-tuning, préremplie avec le dataset, la source de sortie, le modèle de base et les paramètres d’entraînement du fine-tuning effectué en échec, ainsi que la cause de l’échec. Vous pouvez ajuster les paramètres avant de relancer l’entraînement.

Dans l’API, un échec du service d’entraînement définit le champ `training_failure_type` du fine-tuning effectué sur `RemoteTrainingFailed`, et une nouvelle tentative renvoie `409 Conflict` avec le type `remote_training_failed`. Une nouvelle tentative renvoie également `409 Conflict` dans chacun des cas suivants :

* Le fine-tuning effectué n’est pas à l’état d’échec.
* Une nouvelle tentative qui relance la préparation détecte que le dataset a été modifié après la création du fine-tuning à effectuer.
* Un modèle d’entraînement existe mais aucune soumission confirmée ne peut être récupérée.

<h2 id="delete-a-fine-tune">
  Supprimer un fine-tuning effectué
</h2>

La suppression d’un fine-tuning effectué supprime le modèle d’entraînement, ses artifacts W\&B, les sorties qu’il a générées et l’enregistrement correspondant dans l’interface utilisateur. Un modèle d’entraînement partagé par plusieurs fine-tunings effectués n’est supprimé que lorsque vous supprimez le dernier fine-tuning effectué qui le possède.

Model Distillation retire le fine-tuning effectué des ensembles de comparaison d’évaluations et supprime les évaluations qui l’utilisent comme vérité terrain. Pour une évaluation en face-à-face qui l’utilise comme participant principal, Model Distillation promeut le plus ancien participant restant et marque l’évaluation comme obsolète. Une évaluation active empêche la suppression.

Pour supprimer un fine-tuning effectué dans l’interface utilisateur :

1. Ouvrez la page du fine-tuning effectué.
2. Sous **Danger Zone**, sélectionnez **Delete Fine Tune**.
3. Dans la boîte de dialogue, vérifiez les évaluations concernées et saisissez le nom du modèle pour confirmer.
4. Sélectionnez **Delete**.

La suppression s’exécute en arrière-plan. Si elle échoue avant le début de toute opération destructrice, le modèle redevient disponible. Si elle échoue ensuite, le modèle reste verrouillé jusqu’à ce qu’une nouvelle tentative aboutisse.

Pour réessayer, confirmez à nouveau la suppression. Les nouvelles tentatives restent limitées à la portée enregistrée par la requête d’origine.

<Accordion title="API : Supprimer un fine-tune (DELETE /tasks/{alias}/finetunes/{finetuneId})">
  La suppression ne nécessite qu’une seule requête : le serveur détermine lui-même les évaluations concernées et les éléments bloquants.

  ```bash theme={"system"}
  curl --request DELETE \
    --url "https://distillation.training.wandb.ai/v1/tasks/ticket-classifier/finetunes/$FINETUNE_ID" \
    --header "Authorization: Bearer $WANDB_API_KEY" \
    --header "Wandb-Entity: your-team"
  ```

  La requête renvoie `202 Accepted` avec l’opération de suppression et son statut. Si vous répétez la requête alors que l’opération est en file d’attente, en cours ou terminée, la requête renvoie la même opération. Une requête répétée relance également le nettoyage ayant échoué, dans la portée enregistrée par la requête d’origine. Si le fine-tuning effectué n’existe plus et qu’aucune opération n’est en cours, la requête renvoie `204 No Content`, et un `GET` sur le fine-tuning effectué renvoie `404 Not Found`.

  Pour prévisualiser les évaluations concernées et les éléments bloquants avant de supprimer un fine-tuning effectué, appelez `GET /tasks/{alias}/finetunes/{finetuneId}/deletion-plan`. Cet aperçu est fourni à titre informatif et indique également le statut d’une suppression en cours. Voir [Supprimer un fine-tuning effectué](/fr/model-distillation/reference/management/fine-tunes/delete-a-fine-tune) et [Prévisualiser la suppression d’un fine-tuning effectué](/fr/model-distillation/reference/management/fine-tunes/preview-fine-tune-deletion).
</Accordion>

<Accordion title="API : Lister les tâches d’entraînement et les artifacts (GET /tasks/{alias}/finetunes)">
  Pour suivre la progression, consulter le statut final et obtenir la référence de l’artifact utilisée dans les évaluations et l’acheminement, utilisez cette requête :

  ```bash theme={"system"}
  curl --url "https://distillation.training.wandb.ai/v1/tasks/ticket-classifier/finetunes" \
    --header "Authorization: Bearer $WANDB_API_KEY" \
    --header "Wandb-Entity: your-team"
  ```

  Pour démarrer une tâche, utilisez la requête présentée dans [Démarrage rapide du fine-tuning](/fr/model-distillation/studio/fine-tuning-quickstart). Pour plus d’informations sur cette opération, voir [Lister les fine-tunings effectués](/fr/model-distillation/reference/management/fine-tunes/list-fine-tunes).
</Accordion>