Fine-tuning

Avertissement

Obsolète

Cette fonctionnalité est obsolète et n'est plus activement prise en charge.

Avertissement

Chaque tâche de fine-tuning s'accompagne de frais minimum de 4 $, ainsi que de frais de stockage mensuels de 2 $ par modèle. Pour des informations détaillées sur la tarification, consultez notre page de tarification.

Fine-tuning vs. Prompting

Lorsqu'il s'agit de choisir entre le prompt engineering et le fine-tuning pour un modèle d'IA, il peut être difficile de déterminer quelle méthode est la plus appropriée. Il est généralement recommandé de commencer par le prompt engineering, car cette approche est plus rapide et moins gourmande en ressources. Pour vous aider à choisir la bonne méthode, voici les principaux avantages du prompting et du fine-tuning :

Avantages du Prompting

Un modèle générique peut fonctionner immédiatement (la tâche peut être décrite sans exemple)
Ne nécessite aucune donnée de fine-tuning ni d'entraînement pour fonctionner
Peut être facilement mis à jour pour de nouveaux workflows et le prototypage

Consultez notre documentation sur le prompting pour explorer différentes méthodes de prompting permettant d'exploiter les modèles Mistral.

Avantages du Fine-tuning

Fonctionne nettement mieux que le prompting
Fonctionne généralement mieux qu'un modèle plus grand (plus rapide et moins coûteux car il ne nécessite pas de prompt très long)
Offre un meilleur alignement avec la tâche ciblée car il a été spécifiquement entraîné sur ces tâches
Peut être utilisé pour enseigner de nouveaux faits et informations au modèle (comme des outils avancés ou des workflows complexes)

Cas d'usage courants

Le fine-tuning présente un large éventail de cas d'usage, parmi lesquels :

Personnaliser le modèle pour générer des réponses dans un format et un ton spécifiques
Spécialiser le modèle pour un sujet ou un domaine particulier afin d'améliorer ses performances sur des tâches spécifiques au domaine
Améliorer le modèle par distillation à partir d'un modèle plus puissant en l'entraînant à imiter le comportement du modèle plus grand
Améliorer les performances du modèle en imitant le comportement d'un modèle avec un prompt complexe, mais sans nécessiter le prompt lui-même, économisant ainsi des tokens et réduisant les coûts associés
Réduire les coûts et la latence en utilisant un modèle fine-tuné petit mais efficace

Services de Fine-tuning

Fine-tuning général texte et vision via SFT : Supervised Fine-tuning, la méthode de fine-tuning la plus courante pour enseigner au modèle des connaissances et comment suivre des instructions.
Classifier Factory : Un outil pour fine-tuner et créer des modèles de classification spécifiques à partir d'un ensemble de données textuelles.