> ## 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.

# Utiliser Serverless SFT

> Effectuez le fine-tuning de modèles avec Serverless SFT à l’aide du framework ART d’OpenPipe et de l’API Serverless Training pour l’apprentissage supervisé.

Utilisez Serverless SFT pour effectuer le fine-tuning d’un LLM par apprentissage supervisé, à partir d’exemples d’entrées et de sorties soigneusement sélectionnés. Serverless SFT entraîne un adaptateur de faible rang (LoRA) qui spécialise un modèle de base pour votre tâche, stocke l’adaptateur sous forme d’artifact dans votre compte Weights & Biases et héberge chaque point de contrôle sur [Serverless Inference](/fr/products/inference/serverless). Serverless SFT est disponible en préversion publique.

Vous pouvez exécuter Serverless SFT via le [framework ART d’OpenPipe](https://art.openpipe.ai/getting-started/about) ou directement via l’API Serverless Training.

<h2 id="prerequisites">
  Prérequis
</h2>

Avant de commencer, assurez-vous de disposer des éléments suivants :

* **Un compte Forge.** Si vous n’en avez pas, [inscrivez-vous](https://id.coreweave.com/signup).
* **Une clé API.** Dans Forge, cliquez sur l’icône de votre profil, sélectionnez **Settings**, puis cliquez sur **Create new API key**. Copiez la clé dès qu’elle s’affiche, car vous ne pourrez plus la consulter par la suite. Les exemples de cette documentation la lisent dans la variable d’environnement `WANDB_API_KEY` ; le guide de démarrage rapide d’ART indique où ART s’attend à la trouver.
* **Un projet dans Weights & Biases** pour enregistrer les métriques d’entraînement et stocker l’adaptateur entraîné. Voir [Projects](/fr/products/wandb/track/project-page).
* **Un jeu de données** composé d’exemples d’entrées et de sorties qui illustrent le comportement que le modèle doit apprendre. La [documentation Serverless SFT d’ART](https://art.openpipe.ai/fundamentals/sft-training) décrit le format attendu.
* **Le framework ART**, si vous l’utilisez au lieu d’appeler directement l’API. Suivez les étapes d’installation du [guide de démarrage rapide d’ART](https://art.openpipe.ai/getting-started/quick-start).

Consultez également la page [Informations d’utilisation et limites](/fr/products/post-training/serverless-training/usage-limits) pour connaître les coûts et les restrictions, puis choisissez un modèle de base parmi les [modèles disponibles](/fr/products/post-training/serverless-training/available-models).

<h2 id="when-to-use-serverless-sft">
  Quand utiliser Serverless SFT
</h2>

Serverless SFT est particulièrement adapté lorsque vous disposez d’exemples du comportement souhaité, ou que vous êtes en mesure d’en produire :

* **Distillation** : transférez les connaissances d’un modèle plus grand et plus performant vers un modèle plus petit et plus rapide, en entraînant ce dernier sur les sorties du grand modèle.
* **Apprentissage d’un style et d’un format de sortie** : entraînez un modèle à respecter un format de réponse, un ton ou une structure spécifique.
* **Préparation avant le RL** : fournissez à un modèle des exemples supervisés avant de l’affiner avec [Serverless RL](/fr/products/post-training/serverless-training/rl).

Si vous savez évaluer un résultat, mais pas rédiger à l’avance la réponse idéale, utilisez plutôt Serverless RL.

<h2 id="train-a-model">
  Entraîner un modèle
</h2>

<Tabs>
  <Tab title="Framework ART">
    ART encapsule l’API Serverless Training et gère pour vous les jeux de données, les runs d’entraînement et les points de contrôle. C’est la méthode recommandée pour commencer. Suivez la [documentation ART Serverless SFT](https://art.openpipe.ai/fundamentals/sft-training) pour préparer votre jeu de données et lancer une tâche d’entraînement.
  </Tab>

  <Tab title="API Serverless Training">
    Appelez directement l’API si vous souhaitez intégrer l’entraînement à vos propres outils :

    1. Créez un modèle avec [`POST /v1/preview/models`](/fr/products/post-training/serverless-training/api-reference/models/create-model).
    2. Lancez une tâche avec [`POST /v1/preview/sft-training-jobs`](/fr/products/post-training/serverless-training/api-reference/training-jobs/create-sft-training-job).
    3. Interrogez [`GET /v1/preview/training-jobs/{training_job_id}`](/fr/products/post-training/serverless-training/api-reference/training-jobs/get-training-job) et consultez les [événements de la tâche](/fr/products/post-training/serverless-training/api-reference/training-jobs/get-training-job-events) pour suivre sa progression.
    4. Listez les points de contrôle avec [`GET /v1/preview/models/{model_id}/checkpoints`](/fr/products/post-training/serverless-training/api-reference/models/list-model-checkpoints).

    L’URL de base de l’API et les informations d’authentification sont disponibles dans l’[aperçu de l’API](/fr/products/post-training/serverless-training/api-reference).
  </Tab>
</Tabs>

<h2 id="after-training">
  Après l’entraînement
</h2>

Chaque point de contrôle que vous entraînez est automatiquement hébergé. Pour lui envoyer des requêtes d’inférence, construisez le point de terminaison du modèle à partir de votre équipe, de votre projet, du nom du modèle et de l’étape d’entraînement, comme indiqué dans [Utiliser vos modèles entraînés](/fr/products/post-training/serverless-training/rl#use-your-trained-models). Ce format de point de terminaison s’applique également aux modèles entraînés avec Serverless SFT et Serverless RL.

Pour libérer de l’espace de stockage, supprimez les points de contrôle dont vous n’avez plus besoin. Voir [Informations d’utilisation et limites](/fr/products/post-training/serverless-training/usage-limits#model-storage)