Mise à jour : 25 août 2026. OpenAI indique sur sa page de tarification que la plateforme de fine-tuning est en cours d’arrêt : elle n’est plus accessible aux nouveaux utilisateurs, tandis que les utilisateurs existants peuvent encore créer des jobs pendant une période limitée. Les modèles déjà fine-tunés restent disponibles jusqu’à la dépréciation de leur modèle de base.
Avant de préparer un projet, vérifiez donc l’éligibilité de votre compte, les modèles encore pris en charge et le calendrier officiel. Pour un nouveau système, envisagez en priorité prompt versionné, RAG, sorties structurées ou fine-tuning d’un modèle ouvert.
Quand le fine-tuning est pertinent
Il peut améliorer un format stable, un ton, une classification ou un comportement répété. Il ne constitue pas le bon mécanisme pour injecter des connaissances changeantes qui doivent rester citées : utilisez alors un RAG.
Construire le jeu d’évaluation d’abord
Réservez des exemples qui ne seront jamais utilisés pour l’entraînement. Définissez métriques de format, exactitude métier, refus, latence et coût. Comparez toujours au modèle de base avec un prompt bien travaillé.
Préparer le JSONL
Pour un modèle conversationnel compatible, chaque ligne suit le format attendu par la documentation active :
~~~json {"messages":[{"role":"system","content":"Classe le ticket."},{"role":"user","content":"Ma carte est débitée deux fois."},{"role":"assistant","content":"billing"}]} ~~~
Nettoyez données personnelles, doublons, contradictions et erreurs. Vérifiez licence et base légale. Un petit jeu cohérent vaut mieux qu’un export brut massif.
Procédure pour un compte encore éligible
~~~python from openai import OpenAI
client = OpenAI()
with open('train.jsonl', 'rb') as file: uploaded = client.files.create(file=file, purpose='fine-tune')
job = client.fine_tuning.jobs.create( training_file=uploaded.id, model='modele-de-base-encore-compatible', ) print(job.id, job.status) ~~~
Utilisez uniquement un modèle listé comme compatible au moment de l’appel. Suivez le job avec retrieve/list_events. Lorsque fine_tuned_model est disponible, exécutez le jeu d’évaluation avant tout trafic réel.
Déployer progressivement
Envoyez un faible pourcentage de requêtes, comparez qualité, refus, latence et coût, puis augmentez seulement si les seuils sont atteints. Conservez le modèle de base comme rollback. Les données d’entraînement et le modèle fin doivent être versionnés ensemble.
Alternatives
- prompt et exemples few-shot pour un comportement léger ;
- structured outputs pour un contrat JSON ;
- RAG pour des connaissances fraîches et citées ;
- LoRA ou QLoRA sur modèle ouvert pour maîtriser l’entraînement ;
- évaluations et routage pour sélectionner un modèle existant adapté.
FAQ
Un nouveau compte peut-il lancer ce tutoriel ?
Probablement pas si la restriction annoncée est toujours en vigueur. Vérifiez le tableau de bord et la documentation officielle ; n’engagez pas le projet sur une disponibilité supposée.
Faut-il fine-tuner pour réduire le prompt ?
Parfois, mais comparez le coût total de migration, entraînement, évaluation et maintenance à un prompt mieux structuré.