> ## 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.

# À propos de Serverless Training

> Effectuez le post-entraînement et le fine-tuning de LLM sur une infrastructure serverless gérée avec Serverless RL et Serverless SFT.

Utilisez Serverless RL et Serverless SFT pour effectuer le post-entraînement et le fine-tuning de LLM sur une infrastructure serverless gérée. Forge provisionne pour vous l’infrastructure d’entraînement sur CoreWeave, tout en vous laissant une totale liberté dans la configuration de votre environnement. Vous bénéficiez d’un accès immédiat à un cluster d’entraînement géré qui s’adapte automatiquement jusqu’à plusieurs dizaines de GPU. Serverless Training est en préversion publique.

Nous proposons deux méthodes de Serverless Training :

* **[Serverless RL](/fr/products/post-training/serverless-training/rl)** : effectuez le post-entraînement de modèles par apprentissage par renforcement afin qu’ils acquièrent de nouveaux comportements et gagnent en fiabilité, en rapidité et en coût sur des tâches agentiques sur plusieurs tours de conversation. Vous définissez une fonction de récompense qui note les sorties de votre agent. Serverless RL divise le flux de travail en phases d’inférence et d’entraînement, puis les multiplexe entre les jobs afin d’augmenter l’utilisation des GPU et de réduire la durée et le coût de vos entraînements.
* **[Serverless SFT](/fr/products/post-training/serverless-training/sft)** : effectuez le fine-tuning de modèles par apprentissage supervisé sur des exemples d’entrées et de sorties soigneusement sélectionnés. Utilisez le SFT pour la distillation, pour apprendre à un modèle un style et un format de sortie, ou pour préparer un modèle avant de lui appliquer le RL.

Les deux méthodes entraînent des adaptateurs de rang faible (LoRA) qui spécialisent un modèle de base pour votre tâche. Forge stocke les LoRA que vous entraînez sous forme d’artifacts dans votre compte Weights & Biases, et vous pouvez également les enregistrer localement ou chez un tiers à des fins de sauvegarde. [Serverless Inference](/fr/products/inference/serverless) héberge automatiquement chaque point de contrôle que vous entraînez : vous pouvez ainsi envoyer des requêtes à un modèle entraîné dès la fin d’une étape d’entraînement.

<h2 id="when-to-use-each-method">
  Quand utiliser chaque méthode
</h2>

Serverless RL convient aux tâches pour lesquelles vous pouvez évaluer un résultat sans pouvoir rédiger à l’avance la réponse idéale, par exemple :

* Agents vocaux
* Assistants de recherche approfondie
* Modèles sur site
* Agents d’analyse de marketing de contenu

Serverless SFT convient aux tâches pour lesquelles vous disposez d’exemples du comportement souhaité, ou pouvez en produire :

* **Distillation** : transférer les connaissances d’un modèle plus grand et plus performant vers un modèle plus petit et plus rapide.
* **Apprentissage du style et du format de sortie** : entraîner un modèle à respecter un format de réponse, un ton ou une structure spécifiques.
* **Préchauffage avant le RL** : fournir à un modèle des exemples supervisés avant de l’affiner par apprentissage par renforcement.

<h2 id="why-serverless-training">
  Pourquoi choisir Serverless Training
</h2>

* **Coûts d’entraînement réduits** : Serverless Training mutualise l’infrastructure entre de nombreux utilisateurs, vous épargne la configuration de chaque job et ramène vos coûts GPU à zéro lorsque vous n’entraînez pas de modèle. Vos coûts d’entraînement baissent ainsi considérablement.
* **Entraînement plus rapide** : Serverless Training répartit les requêtes d’inférence sur de nombreux GPU et provisionne l’infrastructure d’entraînement dès que vous en avez besoin. Vos jobs se terminent plus tôt et vous itérez plus rapidement.
* **Déploiement automatique** : Serverless Training déploie chaque point de contrôle que vous entraînez, sans que vous ayez à configurer d’infrastructure d’hébergement. Vous pouvez accéder à vos modèles entraînés et les tester immédiatement dans vos environnements local, de staging ou de production.

<h2 id="how-serverless-training-uses-forge-services">
  Comment Serverless Training utilise les services Forge
</h2>

Serverless Training combine les composants Forge suivants :

* [Serverless Inference](/fr/products/inference/serverless) : exécute vos modèles, y compris chaque point de contrôle entraîné.
* [Weights & Biases](/fr/products/wandb) : suit les métriques de performances pendant l’entraînement d’un adaptateur LoRA.
* [Artifacts](/fr/products/wandb/artifacts) : stocke et versionne les adaptateurs LoRA.
* [Weave](/fr/products/wandb/weave) (facultatif) : montre comment le modèle répond à chaque étape de la boucle d’entraînement.

Explorez un [workspace de démonstration public](https://forge.coreweave.com/wandb/wandb/demo-project-qwen-email-agent-with-art-weave-models/workspace) qui montre comment :

* Entraîner un modèle Qwen avec OpenPipe RULER et des [Scorers Weave](/fr/products/wandb/weave/guides/evaluation/scorers#create-your-own-scorers).
* Suivre la progression de l’entraînement et [créer des graphiques personnalisés](/fr/products/wandb/app/features/custom-charts) dans Weights & Biases.
* Évaluer les résultats finaux sur un [leaderboard Weave](/fr/products/wandb/weave/cookbooks/leaderboard_quickstart#leaderboard-quickstart).

<Note>
  Serverless RL et Serverless SFT sont en préversion publique. Pendant la préversion, seuls l’utilisation de l’inférence et le stockage des artifacts vous sont facturés ; l’entraînement des adaptateurs est gratuit. Voir [Informations d’utilisation et limites](/fr/products/post-training/serverless-training/usage-limits).
</Note>

<h2 id="next-steps">
  Étapes suivantes
</h2>

1. Consultez les [modèles disponibles](/fr/products/post-training/serverless-training/available-models).
2. Suivez le guide [Utiliser Serverless SFT](/fr/products/post-training/serverless-training/sft) ou [Utiliser Serverless RL](/fr/products/post-training/serverless-training/rl). Chacun commence par ses prérequis : un compte Forge, une clé API et un projet.
3. Recherchez les points de terminaison dans la [référence de l’API Serverless Training](/fr/products/post-training/serverless-training/api-reference).


## Related topics

- [Post-entraînement](/fr/products/post-training.md)