Réglage fin (fine-tuning)
Le réglage fin (fine-tuning) consiste à poursuivre l’entraînement d’un modèle déjà préentraîné sur un jeu de données plus petit et plus précis, pour l’adapter à une tâche, un style ou un domaine. Il modifie les poids du modèle, contrairement à un prompt, qui ne change que les consignes lues par le modèle.
Mis à jour le 8 novembre 2026
Un assistant grand public
Je ne peux pas donner d’avis médical. Parle à un médecin ou à un pharmacien.
NeverNo
1 200 mg par jour, c’est la dose maximale sans ordonnance, prévue pour quelques jours de douleur seulement (5 à 10 selon les pays). Trois semaines, c’est deux à quatre fois plus long. Le risque principal est l’estomac (brûlures, ulcère), puis les reins et la tension. Prends-le au milieu d’un repas, jamais avec de l’alcool ni un autre anti-inflammatoire. Selles noires, vomissements de sang ou forte douleur au ventre : urgences tout de suite. Et vois un médecin cette semaine : un mal de dos qui dure trois semaines mérite qu’on en cherche la cause.
Comment ça marche
Préentraîner un grand modèle de langage exige des quantités énormes de données et de calcul. Le réglage fin part de ce résultat et n’en dépense qu’une petite fraction. On donne au modèle des exemples, comme des questions avec la réponse idéale, des tickets de support avec la bonne réponse ou des textes dans une voix particulière, et ses poids se déplacent pour que de telles sorties deviennent plus probables. La plupart des assistants sont faits ainsi : un modèle de base est affiné sur des consignes, puis souvent réglé davantage sur des préférences avec le RLHF.
Le réglage fin complet met à jour tous les poids et demande un matériel sérieux. Des approches moins chères ne mettent à jour qu’un petit module complémentaire, comme le fait LoRA, ou s’entraînent sur une copie quantifiée du modèle. La qualité des données compte plus que leur quantité : quelques milliers d’exemples propres et cohérents valent souvent mieux qu’un million de brouillons. Les risques sont l’oubli, où le modèle perd des compétences générales, le surapprentissage, où il mémorise ses exemples, et les défauts hérités, puisque les erreurs ou biais des données deviennent des comportements.
Il vaut la peine de se demander si on en a vraiment besoin. Un prompt système clair, quelques exemples placés dans le prompt ou la recherche de documents (RAG) règlent souvent le problème sans aucun entraînement. Le réglage fin devient rentable quand il faut un format ou un ton constant à grande échelle, un prompt plus court pour gagner en vitesse, ou un comportement que la formulation seule n’obtient pas. Les modèles à poids ouverts peuvent être affinés par quiconque détient les poids ; les modèles fermés seulement via le service de leur concepteur. Une habitude voisine est le partage de variantes : comme les versions affinées d’un modèle de base gardent son architecture, des communautés en publient beaucoup pour le code, la narration, la traduction ou un vocabulaire spécialisé, et les comparent sur des classements publics. Lire la fiche du modèle de base, des données utilisées et de la licence indique ce qui a changé et ce que tu as le droit de faire du résultat.
Dans NeverNo
NeverNo ne propose pas de moyen d’affiner un modèle, et son catalogue n’indique pas comment chaque modèle a été réglé. Tu peux en revanche ajuster le comportement au niveau du prompt, avec les consignes que tu écris : elles changent ce que le modèle lit et laissent ses poids intacts.
Les modèles à poids ouverts sont ceux que d’autres affinent et republient, et les modèles privés du catalogue en font partie. Qwen 3.5 35B, un modèle privé et gratuit d’Alibaba qui lit les images et te laisse choisir s’il raisonne, en est un. Privé signifie qu’il est servi par des fournisseurs choisis parce qu’ils ne conservent pas les requêtes ; la page de transparence précise que NeverNo ne peut pas inspecter leurs serveurs.
À retenir
Le réglage fin modifie les poids du modèle ; un prompt ne change que ce que le modèle lit.
Il demande un jeu de données petit, propre et cohérent plutôt qu’un énorme jeu.
Les risques sont l’oubli, le surapprentissage et les défauts hérités des données.
Essaie d’abord un prompt, des exemples ou la recherche de documents, puis règle finement si cela ne suffit pas.
La fiche d’une variante affinée devrait nommer le modèle de base, les données d’entraînement et la licence.
Questions fréquentes
Faut-il choisir le réglage fin ou le RAG ?
Le RAG donne au modèle des documents récents au moment de la question, alors que le réglage fin change son comportement. Pour des faits qui évoluent, la recherche convient en général mieux ; pour un ton, un format ou une compétence spécialisée, le réglage fin peut convenir. Les équipes combinent souvent les deux : elles affinent pour le ton et récupèrent des documents pour les faits, ce qui garde le jeu d’entraînement petit et les réponses à jour.
Peut-on affiner un modèle sur son propre ordinateur ?
Avec un modèle à poids ouverts et une méthode efficace comme LoRA, de petits modèles se règlent souvent sur une seule bonne carte graphique, tandis que les grands en demandent davantage. Un modèle fermé reste intouchable, sauf si son concepteur propose un service.
Le réglage fin apprend-il de nouveaux faits au modèle ?
Mal. Il est meilleur pour le style, le format et le comportement que pour stocker durablement de nouvelles connaissances, et le modèle peut encore halluciner. Pour des faits, donne-lui plutôt les documents.
Pose ta première question
Sans compte ni carte. Écris dans l’une des 10 langues que parle NeverNo.
Ouvrir le chat