Fine-tuning : adapter un modèle d'IA à une tâche précise
Le fine-tuning (ou affinage) consiste à poursuivre l'entraînement d'un modèle déjà entraîné avec vos propres exemples, pour qu'il adopte un style, un format ou un savoir-faire précis. C'est un outil de développeur : si vous utilisez simplement un assistant comme ChatGPT, vous n'en aurez presque jamais besoin.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Intermédiaire |
|---|
Une définition simple
Un grand modèle de langage apprend d’abord sur d’immenses quantités de textes : c’est le pré-entraînement. Il sait alors un peu de tout, mais rien de votre métier en particulier. Le fine-tuning reprend ce modèle et prolonge son apprentissage sur un jeu de données beaucoup plus petit, choisi pour une tâche : des paires « demande → bonne réponse ». Les paramètres du modèle sont légèrement ajustés et l’on obtient une nouvelle version, spécialisée.
La documentation de Hugging Face le résume bien : le fine-tuning est identique au pré-entraînement, sauf qu’on ne part pas de poids aléatoires, et il demande beaucoup moins de calcul, de données et de temps. L’idée s’est imposée dans le traitement du langage avec des travaux comme ULMFiT, publié en 2018 par Jeremy Howard et Sebastian Ruder.
Un exemple concret
Une mutuelle reçoit chaque jour des courriels de clients et veut les ranger automatiquement : remboursement, résiliation, changement d’adresse, réclamation. Avec un simple prompt, le modèle hésite parfois entre deux catégories ou invente un libellé. Après un fine-tuning sur des courriels déjà classés par ses équipes, il connaît les catégories maison et renvoie toujours le même format, prêt à être lu par le logiciel de gestion.
Pourquoi ça compte
Le fine-tuning rend un comportement plus régulier et permet des prompts plus courts, donc moins de tokens envoyés à chaque appel. Il permet aussi de spécialiser un modèle plus petit et moins cher sur une tâche étroite. Des méthodes comme LoRA n’entraînent qu’une petite partie des poids, ce qui rend l’opération accessible sur du matériel modeste.
Le paysage évolue : au 22 octobre 2026, OpenAI indique dans sa documentation mettre fin progressivement à sa plateforme de fine-tuning, fermée aux nouveaux utilisateurs. La pratique reste très répandue sur les modèles à poids ouverts, que vous pouvez explorer dans notre page modèles open source.
Idées reçues fréquentes
- « C’est la meilleure façon d’ajouter mes documents. » Pas souvent. Pour des connaissances qui changent, le RAG est plus simple à maintenir : on met à jour les documents, pas le modèle.
- « Mon assistant fait du fine-tuning quand il se souvient de moi. » Non : la mémoire d’un assistant ajoute du contexte, elle ne modifie pas le modèle.
- « Plus d’exemples, c’est forcément mieux. » En pratique, la qualité et la cohérence des exemples comptent davantage que leur nombre.
- « Le modèle affiné reste aussi polyvalent. » Pas toujours : une spécialisation poussée peut réduire ses performances sur d’autres tâches. Il faut donc évaluer avant et après.
Termes voisins : pré-entraînement, LoRA, RAG, distillation et modèles à poids ouverts.
Termes liés
- Pré-entraînement · Première phase d'entraînement d'un modèle de langage : il apprend à prédire la suite de textes sur un immense corpus, sans tâche précise.
- LoRA (adaptation de faible rang) · Méthode d'affinage qui gèle le modèle et n'entraîne que de petites matrices ajoutées, pour adapter un LLM à moindre coût.
- RAG (génération augmentée par récupération) · Technique qui va chercher des passages dans vos documents avant de répondre, et les donne au modèle pour qu'il s'appuie dessus.
- Distillation (de connaissances) · Technique qui entraîne un petit modèle « élève » à imiter les réponses d'un grand modèle « professeur » pour le rendre plus léger.
- Modèle à poids ouverts · Modèle d'IA dont les paramètres entraînés (les « poids ») sont téléchargeables, ce qui permet de le faire tourner sur ses propres machines.
- Paramètres d'un modèle · Nombres internes qu'un modèle ajuste pendant son entraînement ; leur quantité donne une idée de sa taille, pas directement de sa qualité.
À essayer
Tout le glossaire
Questions fréquentes
Le fine-tuning apprend-il de nouvelles connaissances au modèle ?
Un peu, mais ce n'est pas son point fort. Il sert surtout à modifier le comportement : ton, format, catégories, manière de répondre. Pour des informations qui changent souvent, comme un catalogue ou une documentation interne, on préfère en général le RAG, qui fournit les documents au moment de la question.
Puis-je faire du fine-tuning sur ChatGPT ou Claude depuis l'application ?
Non. Les applications grand public ne modifient pas le modèle : la mémoire et les instructions personnalisées ajoutent seulement du contexte à vos conversations. Le fine-tuning passe par une API ou par des outils de développement, souvent sur des modèles à poids ouverts.
Le fine-tuning est-il encore proposé par OpenAI ?
Au 22 octobre 2026, la documentation d'OpenAI indique que sa plateforme de fine-tuning est en cours d'arrêt : elle n'accepte plus de nouveaux utilisateurs, et les clients existants éligibles peuvent lancer des entraînements jusqu'au 6 janvier 2027. Vérifiez la page officielle avant de bâtir un projet dessus.
Faut-il beaucoup de données ?
Beaucoup moins que pour entraîner un modèle de zéro, mais il faut des exemples propres et cohérents. Des exemples contradictoires ou mal relus peuvent dégrader le résultat au lieu de l'améliorer.
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.