Je vais affiner et déployer des modèles llms personnalisés pour votre cas d'utilisation spécifique

La mise au point fine est idéale pour le style, le ton, le format et les tâches spécialisées. RAG est plus adapté pour la récupération de faits à partir de grandes bases de connaissances. Souvent, les deux méthodes fonctionnent ensemble. Contactez-moi avec votre cas d’usage et je vous dirai honnêtement quelle approche convient — je ne vous proposerai pas la mise au point fine si ce n’est pas nécessaire.

Confortablement jusqu’à 13B avec QLoRA sur un seul A100 ou 4090. Les modèles plus grands (30B-70B) nécessitent une configuration multi-GPU — contactez-moi pour un devis personnalisé. Je travaille avec Llama 2/3, Mistral, Mixtral, Phi, Gemma, Qwen, et la plupart des LLM open source sur Hugging Face.

Vous recevez toujours le code d’entraînement complet, les configurations et un notebook que vous pouvez relancer. L’objectif est que vous puissiez réentraîner ou faire des itérations sans dépendre de moi. Je fournis des commentaires détaillés dans le code et un README expliquant comment charger l’adaptateur, lancer l’inférence et continuer l’entraînement.

Aucun ingénieur honnête ne peut garantir des métriques avant d’avoir vu vos données. La qualité dépend de la qualité, de la taille du dataset et de la difficulté de la tâche. Avant d’accepter une commande, je vais examiner un échantillon de vos données et fixer des attentes réalistes. Si ce n’est pas adapté, je vous le dirai dès le départ.

La puissance de calcul est facturée séparément. Pour de petits travaux LoRA sur des modèles ≤7B, je peux utiliser Colab Pro ou Kaggle. Pour des travaux plus importants, vous fournissez des crédits cloud (AWS/GCP/RunPod) ou je loue des GPU au coût avec les reçus. La puissance de calcul typique : 20 à 200 dollars selon la taille du modèle et le dataset.

Je travaille avec JSONL, CSV, Parquet, Alpaca, ShareGPT et la plupart des structures courantes. Si vos données sont désordonnées ou dans un format inhabituel, les niveaux Standard et Premium incluent le nettoyage et la reformattage. Pour Basic, veuillez fournir des données nettoyées et bien formatées.

Une révision correspond à une session d’entraînement supplémentaire avec des hyperparamètres ajustés ou de légers changements dans les données (jusqu’à environ 10 % du dataset) selon vos retours. Les révisions NE comprennent PAS la modification du modèle de base, la redéfinition de la tâche ou le remplacement majeur du dataset — ces opérations nécessitent une nouvelle commande.

Un déploiement de base (compatible Ollama, GGUF sur une seule machine) est disponible en option. Pour un déploiement complet en production avec API, autoscaling ou infrastructure cloud, veuillez consulter mon service dédié ou me contacter pour un devis personnalisé.