--- title: "Ajustement d'un modèle" description: "Quand ajuster un modèle sur ses données, comment, et ce que cela coûte." url: https://meridal.fr/apprendre/ajustement-d-un-modele/ language: fr written: 2026-10-09 verified: 2026-10-09 license: CC BY 4.0 --- [Apprendre](https://meridal.fr/apprendre/) › [Construction et programmation](https://meridal.fr/apprendre/dossier/construire/) Comprendre · Niveau 3, Construire · 15 minutes # Ajustement d'un modèle Ajuster un modèle, c'est poursuivre son entraînement sur vos exemples pour qu'il réponde à votre façon. Ce que cela change, et ce que cela ne change pas ; ce qu'il en reste sur le marché en octobre 2026, alors que plusieurs éditeurs ferment leur offre ; ce que coûtent l'entraînement et l'hébergement ; et l'ordre à suivre avant d'en arriver là. Écrit le 9 octobre 2026 · Vérifié le 9 octobre 2026 ## Vous saurez - Dire ce qu'un ajustement apprend à un modèle, et ce qu'il ne lui apprend pas - Savoir quelles offres existent encore, et lesquelles ferment - Estimer le coût d'un entraînement et de son hébergement - Essayer la demande, les exemples et les documents avant d'ajuster - [← Avant Fabrication d'un modèle](https://meridal.fr/apprendre/fabrication-d-un-modele/) - [↓ Plus concret Premier appel à un modèle](https://meridal.fr/apprendre/premier-appel/) - [→ Ensuite Modèles en local : Ollama, vLLM et quantification](https://meridal.fr/apprendre/modeles-en-local-ollama-vllm/) Rappel de la page précédente Répondez de tête, puis ouvrez. [Comment se fabrique un modèle](https://meridal.fr/apprendre/fabrication-d-un-modele/) **1 Quelles sont les deux grandes étapes de la fabrication d'un modèle, et laquelle coûte le plus de calcul ?** Le pré-entraînement, où il apprend à prédire le texte, et le post-entraînement, où il apprend à répondre. Le premier prend presque tout le calcul. **2 Pourquoi un modèle plus petit peut-il donner de meilleures réponses qu'un plus gros ?** Parce que le post-entraînement, bref mais décisif, lui apprend à répondre ; en 2022, un modèle plus de cent fois plus petit, ainsi ajusté, était préféré. L'essentiel 1. Ajuster, c'est prolonger le post-entraînement d'un modèle sur vos exemples : il apprend une façon de répondre, un format, une tâche répétée. 2. Il apprend mal des faits nouveaux : pour vos documents, le RAG fait mieux dans les études publiées. 3. L'offre se resserre : OpenAI ferme la sienne aux nouveaux travaux le 6 janvier 2027, Mistral a déprécié la sienne, Anthropic n'en a pas dans son API. 4. L'entraînement coûte peu, de 1 $ à 60 $ pour 500 exemples ; l'hébergement peut coûter bien plus, 1,70 $ par heure chez Microsoft. 5. OpenAI, Google et Microsoft disent la même chose : mesurer et soigner la demande d'abord, ajuster seulement si cela ne suffit pas. ## Problème Une PME veut que son assistant range chaque demande de client dans l'une de ses douze catégories, avec son vocabulaire à elle, au même format à chaque fois. Les consignes sont longues, les exemples aussi, et le résultat varie encore. Elle entend parler d'ajustement : « entraîner le modèle sur nos données ». Elle pense lui apprendre son catalogue et ses procédures. Ce n'est pas ce que fait un ajustement, et ce n'est souvent pas ce dont elle a besoin. ## Principe **Ajuster**, en anglais *fine-tuning*, c'est poursuivre l'entraînement d'un modèle déjà fabriqué sur vos propres exemples : une demande, et la réponse que vous attendez. Le modèle apprend à reproduire ces réponses. **Ce qu'il apprend bien** : un format, un ton, une classification, une tâche trop difficile à décrire dans une demande, ou une demande plus courte pour le même résultat, donc moins de tokens. OpenAI cite aussi l'entraînement sur plus d'exemples qu'une demande n'en contient, et la possibilité de passer à un modèle plus petit et moins cher. **Ce qu'il apprend mal** : des faits. Les exemples qui apportent une connaissance nouvelle s'apprennent plus lentement, et une fois appris ils augmentent la tendance du modèle à inventer. Sur des tâches de connaissances, le RAG fait mieux que l'ajustement, pour des faits déjà vus comme pour des faits nouveaux. Choisir entre les trois : [projet, RAG ou ajustement du modèle](https://meridal.fr/apprendre/projet-rag-ou-ajustement/). ## Fonctionnement ![L'ajustement par adaptateur : des exemples, une demande et la réponse attendue, entraînent un petit adaptateur ; le modèle de base garde ses poids figés ; le modèle ajusté est la base plus l'adaptateur. Il apprend un format, un ton, une tâche ; il retient mal des faits nouveaux, et disparaît quand sa base est retirée.](https://meridal.fr/assets/apprendre/medias/apprendre-ft-adaptateur.svg) 1. **Les exemples**, dans un fichier JSONL, une ligne par exemple. OpenAI demande 10 exemples au minimum et conseille d'en commencer avec 50 bien écrits ; Microsoft parle de 50 à 100 pour un essai, 500 et plus en production. 2. **La méthode**. La plus courante : un adaptateur, LoRA, qui laisse les poids du modèle figés et n'entraîne que de petites matrices ajoutées ; sur GPT-3, ses auteurs divisaient par 10 000 les paramètres à entraîner. Le réglage complet, qui modifie tous les poids, coûte plus à entraîner et à servir. 3. **Les passages** : le fichier est lu plusieurs fois, les époques ; on paie les tokens du fichier multipliés par le nombre de passages. 4. **La validation** : une partie des exemples, gardée de côté, dit si le modèle progresse ou s'il apprend par cœur. 5. **Le déploiement** : le modèle ajusté est servi par l'offre, au prix du modèle de base ou plus cher, parfois avec un hébergement à l'heure. Deux variantes : l'ajustement par préférences, DPO, apprend à préférer une réponse à une autre, sans modèle de récompense séparé ; l'ajustement par renforcement, RFT, note les réponses du modèle par un programme, et sert aux tâches dont la bonne réponse se vérifie. ## Exemple détaillé 500 exemples de demandes classées, un million de tokens en tout, passés deux fois : c'est le scénario du guide des coûts de Microsoft. Le même entraînement, offre par offre. Le prix d'un même entraînement, offre par offre *500 paires demande et réponse, un million de tokens au total, passées deux fois : 2 millions de tokens facturés, le scénario du guide des coûts de Microsoft. Un calcul sur les prix publiés par chaque offre, relevés le 9 octobre 2026, en dollars, hors taxe ; l'entraînement seul. Ce qui suit l'entraînement, l'hébergement et l'usage, est dit au survol et dans le tableau.* **Voir en tableau** | Offre | Modèle | Entraînement | Ensuite | |---|---|---|---| | OpenAI | gpt-4.1 | 50 $ | clients existants seulement | | OpenAI | gpt-4.1-mini | 10 $ | clients existants seulement | | Microsoft Foundry | gpt-4.1, Sweden Central | 60,50 $ | puis 1,70 $ par heure d'hébergement | | Microsoft Foundry | gpt-4.1, Global | 50 $ | puis 1,70 $ par heure d'hébergement | | Google | Gemini 2.5 Pro | 50 $ | modèle retiré le 20 octobre 2026 | | Google | Gemini 3.5 Flash | 20 $ | usage au prix de base fois 1,5 | | Google | Gemini 3.1 Flash-Lite | 6 $ | usage au prix de base fois 1,5 | | Amazon Bedrock | Nova Pro | 16 $ | puis 1,95 $ par mois de stockage | | Amazon Bedrock | Llama 3.3 70B | 6,60 $ | puis 1,95 $ par mois de stockage | | Together AI | Llama 3.3 70B | 4,06 $ | serveur dédié en plus | | Fireworks AI | modèle de 16 à 80 milliards | 6 $ | LoRA ; usage au prix de base | | Fireworks AI | modèle jusqu'à 16 milliards | 1 $ | LoRA ; usage au prix de base | Sources : les pages de prix des offres. L'entraînement de gpt-4.1 coûte 50 $ chez Microsoft ; garder le modèle ajusté en service, en déploiement Standard, coûte chaque mois de 720 heures, avant le moindre appel : 1 224 $ par mois 1,70 $ par heure ; calcul fait dans le relevé du 9 octobre 2026. Dans ce scénario, l'entraînement pèse peu. Ce qui pèse : l'hébergement, le prix de chaque appel au modèle ajusté, et le travail des exemples, qu'on écrit et qu'on relit à la main. ## Risques | Le risque | Ce qui est publié | La parade | |---|---|---| | L'offre ferme | OpenAI : plus de nouveaux clients depuis le 7 mai 2026, plus de nouveaux travaux le 6 janvier 2027 ; Mistral : API dépréciée ; Hugging Face : AutoTrain n'est plus maintenu | une offre en disponibilité générale, sur un modèle dont la date de retrait est connue ; les exemples gardés chez vous | | Le modèle de base est retiré | le modèle ajusté s'arrête avec lui : chez OpenAI, gpt-4.1-nano et o4-mini, encore listés comme ajustables, ferment le 23 octobre 2026 ; chez Google, Gemini 2.5 le 20 octobre 2026 | prévoir de réentraîner : un adaptateur ne passe pas d'une base à l'autre, selon Microsoft | | Le modèle oublie | l'oubli des capacités générales s'observe sur les modèles de 1 à 7 milliards de paramètres ; LoRA les préserve mieux que le réglage complet | garder dans les tests des questions hors de la tâche | | Le modèle invente plus | apprendre des faits nouveaux par l'ajustement augmente les inventions | les faits par les documents, le RAG ; l'ajustement pour la forme | | Les garde-fous sautent | en 2023, dix exemples hostiles et moins de 0,20 $ ont suffi à défaire les garde-fous de GPT-3.5 Turbo ; même des exemples anodins les affaiblissent | des exemples relus ; OpenAI teste chaque modèle ajusté sur 13 catégories de sécurité avant de le servir | | La note trompe | en renforcement, une note qui monte ne prouve rien si le modèle exploite le correcteur, prévient Microsoft | tester le correcteur sur des réponses justes, fausses et piégées | ## Mise en place 1. **Mesurer d'abord** : un jeu de questions avec les réponses attendues, avant tout ajustement ; OpenAI le demande en premier. La méthode : [évaluation d'un outil d'IA](https://meridal.fr/apprendre/evaluer-un-outil-d-ia/). 2. **Soigner la demande**, avec des exemples dedans : Google, Mistral et OpenAI disent de commencer par là. Anthropic conseille de mettre une base de moins de 200 000 tokens, environ 500 pages, directement dans la demande. 3. **Donner les faits par les documents** : [le RAG](https://meridal.fr/apprendre/rag/). 4. **Ajuster seulement si la forme reste instable**, sur 50 exemples d'abord. Si 50 exemples ne changent rien, OpenAI conseille de revoir la tâche ou la demande avant d'en ajouter. 5. **Envisager la distillation** : régler la demande sur un grand modèle, puis ajuster un plus petit sur ses réponses, pour un coût d'usage plus bas. 6. **Choisir l'offre** d'après sa date de fermeture, la région d'entraînement et l'hébergement, pas le prix de l'entraînement. | Offre | État au 9 octobre 2026 | Méthodes | Prix de l'entraînement | |---|---|---|---| | OpenAI · API, fine-tuning | fermeture : plus de nouveaux clients depuis le 7 mai 2026, plus de nouveaux travaux le 6 janvier 2027 | SFT, DPO, vision, RFT | 25 $, 5 $, 1,50 $ par million de tokens (gpt-4.1, mini, nano) | | Microsoft · Foundry, ajustement géré | disponible | SFT, DPO, RFT | gpt-4.1 : 25 $ (Global), 30,25 $ (Sweden Central), 12,50 $ (Developer) par million de tokens ; hébergement 1,70 $ par heure | | Google · Gemini Enterprise Agent Platform (ex-Vertex AI) | disponible ; rien dans l'API Gemini | SFT, préférences, RL en pré-GA | 0,01 $ par millier de tokens (3.5 Flash) ; 0,003 $ (3.1 Flash-Lite) | | Amazon · Bedrock | disponible ; plus d'ajustement de Claude | SFT, RFT, distillation | Nova Lite 0,002 $, Nova Pro 0,008 $ par millier de tokens ; RFT 80 $ par heure | | Anthropic | seule offre : Claude 3 Haiku sur Bedrock, fin de vie le 10 septembre 2026 | aucune | sans objet | | Mistral · API d'ajustement | dépréciée ; offre Forge sur devis | SFT, DPO, LoRA (Forge) | 4 $ minimum par travail, 2 $ par mois de stockage | | Together AI · ajustement LoRA et complet | disponible | SFT, DPO | Llama 3.1 8B : 0,34 $ par million (SFT), 4 $ minimum par travail | | Fireworks AI · entraînement géré | disponible | SFT, DPO, LoRA ou complet | 0,50 $ par million (LoRA SFT, jusqu'à 16 milliards de paramètres) | ## Exercice Vous avez 300 exemples d'environ 1 500 tokens chacun, à passer trois fois. Combien de tokens sont facturés ? Que coûte l'entraînement sur Gemini 3.1 Flash-Lite, à 0,003 $ le millier de tokens, et chez Together AI sur Llama 3.1 8B, à 0,34 $ le million avec un minimum de 4 $ par travail ? **Ouvrir la correction** **Les tokens**300 × 1 500 = 450 000 tokens dans le fichier ; trois passages : 1 350 000 tokens facturés. **Google**1 350 milliers × 0,003 $ = 4,05 $. **Together AI**1,35 million × 0,34 $ = 0,46 $, sous le minimum : le travail coûte 4 $. **Ce qu'il faut retenir**Les deux entraînements coûtent à peu près le même prix ; la différence se fera sur l'usage, au prix de base fois 1,5 chez Google pour Gemini 3, et sur un serveur dédié payé à la minute chez Together AI. ## Vérification **1 Comprendre Un ajustement sur vos procédures internes suffit-il pour que l'assistant les connaisse ?** Non. L'ajustement apprend une façon de répondre, pas des faits ; apprendre des faits nouveaux par ce biais augmente même les inventions. Les procédures se donnent par les documents, avec un RAG. **2 Appliquer Votre entraînement a coûté 50 $. Quel autre coût vérifier avant de lancer le projet ?** L'hébergement et l'usage du modèle ajusté : chez Microsoft, 1,70 $ par heure, soit 1 224 $ par mois de 720 heures, avant le moindre appel. **3 Comprendre Pourquoi un modèle ajusté peut-il cesser de fonctionner sans que vous ayez rien changé ?** Parce qu'il disparaît avec son modèle de base : quand l'éditeur retire la base, il faut réentraîner sur une autre. ## Lectures suivantes ↑ Plus général Rien avant : c'est un point de départ. ← Avant [Fabrication d'un modèle Comprendre · Niveau 3 · 12 minutes](https://meridal.fr/apprendre/fabrication-d-un-modele/) Vous êtes ici Ajustement d'un modèle → Ensuite [Modèles en local : Ollama, vLLM et quantification Faire · Niveau 3 · 20 minutes](https://meridal.fr/apprendre/modeles-en-local-ollama-vllm/) ↓ Plus concret [Premier appel à un modèle S'exercer · Niveau 3 · 15 minutes](https://meridal.fr/apprendre/premier-appel/) [Tout le dossier « Construction et programmation »](https://meridal.fr/apprendre/dossier/construire/) Les pages qui renvoient ici **Limites et sources** Le graphique et l'exercice sont des calculs sur les prix publiés le 9 octobre 2026 ; ils ne comptent ni la validation, ni l'hébergement, ni l'usage, dits à part. Les gains annoncés par les éditeurs, comme les 81,5 % à 99,6 % de bonnes classifications d'Anthropic en 2024 ou le « jusqu'à 66 % » d'AWS, sont des mesures d'éditeur. Les offres ferment vite ; la page dit leur état au 9 octobre 2026. 1. [OpenAI, Deprecations](https://developers.openai.com/api/docs/deprecations) ; [OpenAI, Supervised fine-tuning](https://developers.openai.com/api/docs/guides/supervised-fine-tuning) ; [Google, prix de l'ajustement](https://cloud.google.com/vertex-ai/generative-ai/pricing) ; [Microsoft Foundry, fine-tuning](https://learn.microsoft.com/en-us/azure/foundry/fine-tuning/overview) ; [Azure, prix](https://prices.azure.com/api/retail/prices). 2. [Hu et al., LoRA](https://arxiv.org/abs/2106.09685) ; [Ovadia et al., RAG ou ajustement](https://arxiv.org/abs/2312.05934) ; [Gekhman et al.](https://arxiv.org/abs/2405.05904) ; [Qi et al.](https://arxiv.org/abs/2310.03693). 3. Le relevé : `apprendre/recherches/2026-10-09-fine-tuning.json`, 59 sources, 126 faits, 8 offres. Écrit par Meridal, avec l'aide de l'IA ; chaque fait vérifié à sa source et relu avant publication. Texte et schémas sous licence [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/deed.fr) : reprenez-les en citant Meridal. Le code sous licence MIT. Service correspondant Un assistant qui connaît votre entreprise 3 300 € à 10 200 €, puis sur devis [Voir le service](https://meridal.fr/offre/#assistant) ## Un premier échange de 30 minutes En visio et sans frais : vous décrivez votre situation, nous vous indiquons ce qui est réalisable, avec quels outils et pour quel ordre de prix. Vous pouvez aussi nous écrire ; chaque message reçoit une réponse écrite. [Réserver 30 minutes](https://meridal.fr/contact/#reserver) [Écrire un message](https://meridal.fr/contact/)