---
title: "Qu’est-ce que le fine-tuning d’un LLM ? Quand entraîner"
description: "Le fine-tuning prolonge l’entraînement d’un LLM sur vos exemples pour qu’il apprenne une tâche ou un style. Fonctionnement, données, quand il bat le prompting."
url: https://broadrouter.com/fr/glossary/fine-tuning/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/fine-tuning/) (mis à jour le 2026-11-14).

# Fine-tuning (affinage d’un modèle)

Mis à jour 2026-11-14

Le fine-tuning consiste à poursuivre l’entraînement d’un modèle de langage pré-entraîné sur un jeu de données plus petit et propre à une tâche, comme des conversations d’exemple, pour que ses poids changent et qu’il exécute cette tâche ou ce style de façon plus fiable, sans longues instructions ni exemples dans chaque prompt.

Aussi appelé : fine-tuning, finetuning, affinage, réglage fin, ajustement fin, fine-tuning supervisé, SFT, fine-tuning de modèle, supervised fine-tuning, model fine-tuning

Le prompting dit au modèle quoi faire à chaque fois. Le fine-tuning modifie le modèle pour qu’il le sache déjà.

## Comment ça marche

Vous partez d’un modèle entraîné et poursuivez l’entraînement sur vos propres exemples. Dans le fine-tuning supervisé (SFT), chaque exemple est une conversation contenant la réponse voulue. Le guide d’OpenAI utilise le JSONL, « one complete JSON structure on every line » (traduction : « une structure JSON complète sur chaque ligne »), au format chat :

```json
{"messages": [{"role": "user", "content": "Classify: 'card charged twice'"}, {"role": "assistant", "content": "billing"}]}
```

Le job d’entraînement ajuste les poids pour rendre ces réponses plus probables et renvoie un nouvel ID de modèle. OpenAI fixe le minimum à 10 exemples et recommande de commencer avec 50, puis d’évaluer avant d’en ajouter.

Un fine-tuning complet met à jour tous les poids, ce qui coûte cher pour les grands modèles. L’article sur LoRA de Hu et ses collègues juge prohibitif le déploiement de copies affinées séparées de GPT-3, « each with 175B parameters » (traduction : « chacune avec 175B paramètres »). Les méthodes économes en paramètres comme [LoRA](https://broadrouter.com/fr/glossary/lora/) entraînent plutôt un petit module complémentaire. La [distillation](https://broadrouter.com/fr/glossary/distillation/) est une idée voisine : affiner un petit modèle sur les sorties d’un plus grand.

## Pourquoi c’est important

-   **Des prompts plus courts.** Un comportement qui demandait un long [prompt few-shot](https://broadrouter.com/fr/glossary/few-shot-prompting/) peut passer dans les poids, ce qui réduit les tokens d’entrée par appel.
-   **Constance.** Les bons cas d’usage sont la classification, un style de sortie fixe, la traduction spécialisée et la correction des défauts de suivi des instructions.
-   **Maintenance.** Un modèle affiné est lié à un modèle de base. Quand la base est retirée, vous réentraînez. Le guide d’OpenAI indique désormais que sa plateforme de fine-tuning est en cours d’arrêt, fermée aux nouveaux utilisateurs, et que les modèles affinés restent servis jusqu’à l’arrêt de leurs modèles de base.
-   **Mesurer d’abord.** Construisez une [eval](https://broadrouter.com/fr/glossary/eval/) avant l’entraînement, sinon vous ne saurez pas si le modèle affiné est meilleur.

Le fine-tuning est un mauvais moyen d’ajouter des faits qui changent. La récupération les garde à jour.

## Sur BroadNet Inference

La [référence de l’API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-fine-tuning&utm_content=body#models) de BroadNet ne documente ni API de fine-tuning, ni jobs d’entraînement, ni import de vos propres poids. Elle indique en revanche que « our Arabic fine-tunes and other models on request » (traduction : « nos fine-tunes arabes et d’autres modèles sur demande ») sont accessibles via un ID de modèle privé fourni avec l’endpoint. BroadNet propose un tel modèle sur demande : un fine-tune de Cohere Transcribe Arabic pour les nombres, les dates et les noms dans un audio bruité. Pour le modèle public de transcription arabe, voir le [guide speech-to-text en arabe](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/). Si vous devez entraîner votre propre modèle, un [modèle open-weight](https://broadrouter.com/fr/glossary/open-weight-model/) est le point de départ habituel ; les compromis sont détaillés dans [modèles open-weight ou fermés](https://broadrouter.com/fr/blog/open-weight-vs-closed-models/).

## Questions fréquentes

### Combien d’exemples faut-il pour le fine-tuning d’un LLM ?

Le guide d’OpenAI fixe un minimum de 10 et conseille de commencer avec 50 exemples bien construits, puis de mesurer. Si 50 bons exemples ne changent rien, repensez la tâche avant d’en ajouter.

### Fine-tuning ou RAG pour les connaissances de l’entreprise ?

En général la récupération. Le fine-tuning enseigne bien un comportement et un format, mais les faits qui changent sont plus faciles à tenir à jour dans des documents récupérés au moment de la requête.

### Peut-on faire du fine-tuning sur BroadNet Inference ?

La documentation de BroadNet ne mentionne pas d’API de fine-tuning. Elle cite les fine-tunes arabes de BroadNet, accessibles sur demande sous forme d’endpoints privés.

## Voir aussi

-   [LoRA (low-rank adaptation)](https://broadrouter.com/fr/glossary/lora/) (terme)
-   [Distillation (knowledge distillation)](https://broadrouter.com/fr/glossary/distillation/) (terme)
-   [Few-shot prompting (prompt avec exemples)](https://broadrouter.com/fr/glossary/few-shot-prompting/) (terme)
-   [Modèle open-weight (à poids ouverts)](https://broadrouter.com/fr/glossary/open-weight-model/) (terme)
-   [Eval (évaluation de LLM)](https://broadrouter.com/fr/glossary/eval/) (terme)
-   [API speech-to-text pour l’arabe, étape par étape](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/) (guide)
-   [IA open-weight ou fermée en entreprise : coût, contrôle, risque](https://broadrouter.com/fr/blog/open-weight-vs-closed-models/) (article)
-   [Comment évaluer un LLM avant de changer de fournisseur](https://broadrouter.com/fr/blog/evaluate-llm-before-switching/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-fine-tuning&utm_content=page-cta) ·

**Sources**

-   [OpenAI, guide du fine-tuning supervisé](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu et al. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Référence de l’API de BroadNet Inference, ID de modèles et endpoints privés (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-fine-tuning&utm_content=sources#models)
