Fine-tuning Mistral : où en est l'API en novembre 2026

Mistral documente toujours son API de fine-tuning, mais la classe désormais parmi les fonctions dépréciées : « This feature is deprecated and is no longer actively supported », lit-on en tête de page le 15/11/2026, sans date de fin ni solution de remplacement indiquée. Si vous partez de zéro, tenez-en compte : un modèle affiné sur un service qui n'est plus suivi est un pari sur la durée. Voici ce que la documentation décrit, et les autres voies chez Mistral.

Les modèles concernés

La page « Text & Vision Fine-tuning » liste :

• texte : open-mistral-7b, mistral-small-latest, codestral-latest, open-mistral-nemo, mistral-large-latest, ministral-8b-latest, ministral-3b-latest ;
• vision : pixtral-12b-latest.

Deux méthodes sont présentées : l'affinage supervisé classique (texte et vision) et Classifier Factory, un outil pour affiner des modèles de classement à partir d'un jeu de textes.

Le format des données

Un fichier JSON Lines (.jsonl) : un objet JSON par ligne, chacun contenant une liste messages de paires rôle / contenu, avec les rôles system, user, assistant ou tool.

{"messages": [{"role": "user", "content": "Classez ce courriel : ..."}, {"role": "assistant", "content": "Réclamation"}]}

Point important : la perte n'est calculée que sur les messages assistant. Le modèle apprend donc vos réponses, pas vos questions. La documentation recommande de prévoir, en plus du jeu d'entraînement, un jeu de validation et un jeu de test. La page héritée « Fine-tuning API (legacy) » décrit un exemple avec un découpage 70 / 15 / 15 et une règle empirique : chaque jeton devrait être vu trois fois pendant l'entraînement.

Créer une tâche

Les fichiers sont d'abord téléversés, puis la tâche est créée avec le client Python. Deux hyperparamètres seulement sont réglables : training_steps et learning_rate.

job = client.fine_tuning.jobs.create(
    model="open-mistral-7b",
    training_files=[{"file_id": training_data.id, "weight": 1}],
    validation_files=[validation_data.id],
    hyperparameters={"training_steps": 10, "learning_rate": 0.0001},
    auto_start=False,
)

Avec auto_start=False (valeur par défaut), la tâche passe de l'état QUEUED à VALIDATED puis attend un démarrage manuel par un appel POST sur /fine_tuning/jobs/<uuid>/start. Avec auto_start=True, elle démarre dès la validation. Une intégration avec Weights & Biases (outil de suivi d'entraînement) est prévue en option.

Utiliser le modèle affiné

Une fois la tâche terminée, son champ fine_tuned_model donne le nom du modèle, à passer à client.chat.complete() comme n'importe quel autre modèle. Pour le supprimer : client.models.delete(model_id=...) avec ce même nom.

Ce que ça coûte

La page de présentation indique (relevé le 15/11/2026) :

La page des tarifs de Mistral, lue le même jour, n'affiche aucun prix par jeton d'entraînement. Pour la logique de calcul commune aux fournisseurs, voir Coût d'un fine-tuning.

Les autres voies chez Mistral

• Forge, annoncé le 17/03/2026 : un système destiné aux grandes entreprises pour construire des modèles à partir de leurs connaissances internes (pré-entraînement, post-entraînement, apprentissage par renforcement), sur leur propre infrastructure. La page n'affiche ni prix ni date de disponibilité générale ; elle invite à s'inscrire pour en savoir plus.
• L'offre Enterprise de Mistral mentionne des déploiements privés « powered by custom models », sur devis.
• Les modèles ouverts : un modèle dont les poids sont publiés peut s'affiner hors de La Plateforme, avec les outils décrits sur Fine-tuning avec Hugging Face. Vérifiez d'abord sa licence sur Licences des modèles.

Pour situer Mistral parmi les autres fournisseurs, voir Où faire du fine-tuning.