> ## 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.

# Modèles que vous pouvez entraîner

> Entraînez plusieurs familles de modèles et trouvez le meilleur compromis entre qualité, coût et latence pour votre tâche.

Vous pouvez entraîner les modèles suivants :

* `OpenPipe/Qwen3-14B-Instruct`
* `Qwen/Qwen3-30B-A3B-Instruct-2507`
* `meta-llama/Llama-3.1-8B-Instruct`

Le meilleur modèle dépend de votre tâche. Un modèle plus petit peut être plus rapide et moins coûteux, tandis qu’un modèle plus grand peut prendre en charge des comportements plus complexes. Model Distillation vous permet d’entraîner plusieurs modèles candidats et de les comparer sur les mêmes exemples.

L’interface n’affiche un modèle dans la liste que tant que le service d’entraînement l’accepte ; un modèle peut donc disparaître temporairement du sélecteur.

<h2 id="experimental-models">
  Modèles expérimentaux
</h2>

Les modèles suivants sont disponibles sur demande en tant que cibles d’entraînement expérimentales. Il est possible qu’ils n’apparaissent pas par défaut dans votre sélecteur de modèle, et leur prise en charge peut être modifiée sans préavis.

* `nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16`
* `Qwen/Qwen3.5-4B`
* `Qwen/Qwen3.5-9B`
* `Qwen/Qwen3.6-35B-A3B`
* `Qwen/Qwen3.8-27B`
* `google/gemma-4-26B-A4B-it`
* `google/gemma-4-31B-it`

L’interface affiche le modèle Nemotron sous la forme `nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B`. Dans les requêtes API, utilisez l’identifiant complet, y compris le suffixe `-BF16`.

<Note>
  Ces listes concernent les modèles que vous pouvez entraîner. Vous pouvez également connecter des modèles existants de fournisseurs compatibles avec OpenAI à des fins de mise en service, de réétiquetage et de comparaison.
</Note>

<h2 id="you-do-not-need-to-choose-one-model-in-advance">
  Vous n’avez pas besoin de choisir un modèle à l’avance
</h2>

Entraînez quelques modèles prometteurs, évaluez-les au regard du comportement souhaité, puis déployez le plus performant. Vous pouvez ainsi comparer les résultats obtenus pour votre tâche, plutôt que de choisir un modèle uniquement sur la base de benchmarks ou de sa taille.

<Accordion title="API : utiliser les ID de modèle">
  Lorsque vous créez un fine-tune, copiez à l’identique l’une des valeurs de la liste dans `base_model` :

  ```json theme={"system"}
  {"base_model": "Qwen/Qwen3-30B-A3B-Instruct-2507"}
  ```

  Utilisez la requête complète présentée dans [Fine-tuning Quick Start](/fr/model-distillation/studio/fine-tuning-quickstart).
</Accordion>