Comment se calcule le prix d'entraînement d'un fine-tuning ?

Chez Google Vertex AI, les jetons facturés valent le nombre de jetons du jeu d'entraînement multiplié par le nombre d'époques. L'usage du modèle affiné se paie ensuite à part.

Combien coûte la location d'une carte graphique pour affiner un modèle ouvert ?

Sur Hugging Face (Spaces et Jobs), relevé le 15/11/2026 : de 0,40 dollar de l'heure pour une Nvidia T4 de 16 Go à 2,50 dollars de l'heure pour une A100 de 80 Go.

Coût d'un fine-tuning de LLM : les postes et les prix

Le coût d'un fine-tuning se compose de cinq postes : la préparation des exemples, l'entraînement lui-même, le stockage du modèle affiné, son utilisation au quotidien, et les entraînements à refaire. Le poste le plus visible, l'entraînement, n'est pas forcément le plus lourd : le temps passé à constituer et à vérifier les exemples se compte aussi. Voici les prix publiés par les fournisseurs, relevés le 15/11/2026, et la façon de les combiner.

Les cinq postes

Poste	Ce qui le fait varier
Préparation des données	nombre d'exemples, temps de relecture par un connaisseur du métier, retrait des données personnelles
Entraînement	nombre de jetons du jeu, nombre d'époques, taille du modèle
Stockage	nombre de modèles ou d'adaptateurs conservés, durée
Utilisation	volume de requêtes, prix par jeton du modèle affiné ou coût de la machine qui le sert
Ré-entraînement	changement des exemples, retrait du modèle de base par l'éditeur

Les services gérés

Mistral (fine-tuning marqué comme déprécié dans sa documentation) :

Poste	Prix relevé le 15/11/2026
Frais minimaux par tâche d'entraînement	4 dollars
Stockage d'un modèle affiné	2 dollars par mois

La page des tarifs de Mistral n'affiche pas de prix par jeton d'entraînement. Détails sur Fine-tuning Mistral.

Google Vertex AI : la documentation donne la règle de calcul, pas le prix. Les jetons d'entraînement facturés valent jetons du jeu × nombre d'époques ; l'utilisation du modèle réglé reste facturée comme toute requête ; les évaluations lancées pendant le réglage sont facturées comme des traitements par lots. Le prix par million de jetons est sur la page des tarifs de Vertex AI, que nous n'avons pas pu lire le 15/11/2026. Voir Gemini sur Vertex AI.

Amazon Bedrock : les prix de personnalisation figurent sur la page des tarifs de Bedrock ; ceux de Claude 3 Haiku n'apparaissaient pas dans la partie lisible de la page le 15/11/2026. Pour la distillation, Amazon précise que les appels au modèle « enseignant » sont facturés au tarif à la demande de ce modèle.

Le modèle ouvert, sur une machine louée

Pour affiner vous-même un modèle à poids ouverts, vous payez surtout du temps de carte graphique. Tarifs horaires de Hugging Face pour Spaces et Jobs, relevés le 15/11/2026 :

Carte graphique	Mémoire	Prix à l'heure
Nvidia T4 (small)	16 Go	0,40 dollar
Nvidia T4 (medium)	16 Go	0,60 dollar
Nvidia L4	24 Go	0,80 dollar
Nvidia A10G (small)	24 Go	1,00 dollar
Nvidia A10G (large)	24 Go	1,50 dollar
Nvidia L40S	48 Go	1,80 dollar
Nvidia A100 (large)	80 Go	2,50 dollars

Pour servir ensuite le modèle, les Inference Endpoints de Hugging Face affichent par exemple 0,80 dollar de l'heure pour une L4 et 4,50 dollars pour une H100 de 80 Go (même date).

La mémoire est ce qui limite la taille du modèle qu'on peut affiner. Les auteurs de QLoRA ont affiné un modèle de 65 milliards de paramètres sur une seule carte de 48 Go en compressant le modèle de base en 4 bits ; un petit modèle de quelques milliards de paramètres demande beaucoup moins. Voir LoRA et QLoRA.

Estimer le volume d'entraînement

Exemple illustratif, pour poser le calcul : 500 exemples d'environ 400 jetons chacun, entraînés sur 3 époques, font 500 × 400 × 3 = 600 000 jetons d'entraînement. Avec un service facturé au jeton, multipliez par le prix du fournisseur ; avec une machine louée, c'est la durée de l'entraînement qui compte. Pour compter les jetons d'un texte, voir Calculer le coût d'un appel.

Les coûts qu'on oublie

Plusieurs essais. Un premier entraînement est rarement le bon : comptez-en plusieurs, avec une évaluation à chaque fois (Évaluer un modèle affiné).
L'hébergement d'un modèle ouvert. Un modèle affiné par vos soins doit être servi quelque part, à l'heure ou en continu.
La fin de vie du modèle de base. Quand l'éditeur retire le modèle de base, l'entraînement est à refaire sur un autre modèle.
La comparaison avec l'existant. Le fine-tuning vise souvent à réduire le coût par requête (consigne plus courte, modèle plus petit). Faites le calcul face aux prix des modèles standards : voir Tarifs des API : entrée et sortie.