Fine-tuning de Gemini sur Vertex AI : le mode d'emploi

Sur Google Cloud, le fine-tuning de Gemini s'appelle « réglage supervisé » (supervised fine-tuning). Vous déposez un fichier JSONL d'exemples (un objet JSON par ligne) dans un espace de stockage Cloud Storage, vous lancez une tâche de réglage sur un modèle Gemini de la liste, et vous obtenez un point d'accès vers le modèle réglé. Voici le parcours, d'après la documentation de Vertex AI lue le 15/11/2026.

Les modèles et les régions

Six modèles acceptent le réglage supervisé : Gemini 3.5 Flash, 3.5 Flash-Lite, 3.1 Flash-Lite, 2.5 Pro, 2.5 Flash et 2.5 Flash-Lite.

Attention à la région global : Google indique qu'elle ne prend en charge ni les clés de chiffrement gérées par le client (CMEK) ni les zones de résidence des données, et que les adaptateurs des modèles servis en global sont stockés aux États-Unis.

Préparer le fichier

Chaque ligne du fichier JSONL est un exemple, avec :

• contents (obligatoire) : la conversation, sous forme de messages dont le role vaut user ou model, et dont le texte est dans une liste parts ;
• systemInstruction (facultatif) : des consignes générales, en texte seulement.

{"systemInstruction": {"parts": [{"text": "Répondez par une seule catégorie."}]}, "contents": [{"role": "user", "parts": [{"text": "Mon colis n'est jamais arrivé."}]}, {"role": "model", "parts": [{"text": "Livraison"}]}]}

Combien d'exemples ? Google recommande de commencer avec 100 exemples, puis de passer à quelques milliers si besoin, et insiste : la qualité du jeu de données compte bien plus que sa quantité. Un jeu de validation est fortement recommandé. Les entrées en production doivent ressembler aux exemples : mêmes champs, mêmes mots-clés, même ordre.

Les limites : 131 072 jetons au plus par exemple (entrée et sortie), fichier JSONL de 1 Go au plus, jusqu'à 10 millions d'exemples texte (300 000 multimodaux) et 5 000 exemples de validation. Le réglage accepte aussi l'image, l'audio, la vidéo et les documents.

Lancer la tâche en Python

Avec le kit de développement (SDK) Google Gen AI pour Python (pip install --upgrade google-genai), après avoir défini le projet et la région dans l'environnement, la documentation donne ce schéma :

from google import genai
from google.genai.types import CreateTuningJobConfig, HttpOptions, TuningDataset

client = genai.Client(http_options=HttpOptions(api_version="v1beta1"))

tuning_job = client.tunings.tune(
    base_model="gemini-3.5-flash",
    training_dataset=TuningDataset(gcs_uri="gs://VOTRE_BUCKET/train.jsonl"),
    config=CreateTuningJobConfig(tuned_model_display_name="Classement des demandes"),
)

On interroge ensuite la tâche (client.tunings.get(name=tuning_job.name)) tant qu'elle est à l'état JOB_STATE_PENDING ou JOB_STATE_RUNNING, puis on appelle le modèle réglé par son point d'accès : client.models.generate_content(model=tuning_job.tuned_model.endpoint, contents=...). Pour les modèles Gemini 3.5 et 3.1, l'interface de la console ne permet pas le réglage : passez par le SDK ou l'API.

Les hyperparamètres

Google conseille de lancer la première tâche sans toucher à ces réglages. Un adaptateur plus grand apprend des tâches plus complexes, mais demande plus de données et plus de temps. Le principe de l'adaptateur est expliqué sur LoRA et QLoRA.

Trois précautions de la documentation

• Modèles qui « réfléchissent » : réglez le budget de réflexion à 0 (Gemini 2.5 et antérieurs) ou le niveau de réflexion à MINIMAL (Gemini 3 et suivants). Pour un raisonnement en plusieurs étapes, Google oriente vers le réglage par renforcement.
• Sortie contrainte : imposer un format à l'inférence peut dégrader la qualité d'un modèle réglé ; la documentation le juge en général inutile.
• Pas d'engagement de service : le réglage n'est pas un « Covered Service », donc hors des engagements de disponibilité.

La facture

Les jetons facturés à l'entraînement valent le nombre de jetons du jeu multiplié par le nombre d'époques. L'utilisation du modèle réglé se paie ensuite comme toute requête, et les évaluations lancées pendant le réglage sont facturées comme des traitements par lots. Le prix par million de jetons figure sur la page des tarifs de Vertex AI, que nous n'avons pas pu lire le 15/11/2026 : consultez-la avant de lancer un gros jeu. Voir Coût d'un fine-tuning.