Aller au contenu

Cercle IA .tech · Technique

Cercle IA TechFine-tuning

Guide

Modèle fine-tuné : que faire si sa base est retirée ?

Un modèle affiné dépend de son modèle de base. Règles d'OpenAI et de Mistral AI, calendrier de fermeture, et plan pour ne pas perdre son investissement.

Mis à jour le

Affiner un modèle (le fine-tuning) donne l'impression d'un investissement durable : on a payé des données, du temps, de la puissance de calcul. Mais le modèle obtenu reste attaché au modèle de base sur lequel il a été entraîné. Quand le fournisseur retire ce modèle de base, que devient votre version ? Cette page rassemble ce que disent les documentations d'OpenAI et de Mistral AI, relues le 19/11/2026, et propose un plan de continuité.

Ce que dit OpenAI

La page des dépréciations d'OpenAI donne un calendrier pour son service d'affinage en libre-service :

Date Mesure
07/05/2026 Création de tâches d'affinage impossible pour les organisations qui n'en avaient jamais lancé
02/07/2026 Création impossible pour les organisations sans inférence sur un modèle affiné durant les 60 derniers jours
06/01/2027 Les clients existants actifs ne peuvent plus créer de nouvelles tâches d'affinage

Sur les modèles déjà produits, la page indique que l'inférence reste disponible jusqu'à la dépréciation des modèles de base, et qu'elle n'est désactivée que lorsque le modèle de base sous-jacent est déprécié. Le guide de l'affinage d'OpenAI dit la même chose, ajoute que la plateforme n'est plus accessible aux nouveaux utilisateurs, et ne décrit ni migration ni réentraînement automatique : nous n'avons rien lu qui permette de dire que votre modèle serait converti vers un successeur. Pour le contexte des plateformes, voir Quelle plateforme pour fine-tuner.

Ce que dit Mistral AI

La politique de cycle de vie de Mistral AI distingue cinq étapes (Labs, Public Preview, General Availability, Deprecated, Retired). Pour un modèle en disponibilité générale, le préavis est de 6 mois ; pour Labs, Public Preview et les modèles tiers, d'un mois. La dépréciation est annoncée dès qu'un remplaçant est disponible, et les modèles dépréciés restent accessibles pendant la période de préavis. Après le retrait, les appels à l'identifiant échouent avec une erreur 404. La page lue ne mentionne pas les modèles affinés : elle ne dit pas ce qui arrive à un modèle construit sur un modèle retiré. Demandez-le par écrit au fournisseur avant d'investir. Voir Fine-tuning de Mistral par API.

Pourquoi cela change votre calcul

Le coût d'un affinage ne se limite pas à l'entraînement : il faut le refaire à chaque changement de modèle de base. Un modèle de base retiré après quelques mois laisse peu de temps pour amortir. Ajoutez au budget de départ un réentraînement par an au moins, et comparez avec une approche qui ne dépend pas d'un modèle précis : un bon prompt et un RAG se transposent d'un modèle à l'autre en changeant un identifiant (voir RAG ou fine-tuning). Pour estimer le total, voir le coût du fine-tuning.

Un plan de continuité en cinq points

  1. Conservez les données d'entraînement et de test, versionnées, avec la date, le format et les consignes utilisées. Voir le jeu de données.
  2. Gardez une évaluation reproductible : les mêmes questions de test passées sur chaque nouveau modèle, comme dans évaluer un modèle affiné.
  3. Notez l'identifiant exact du modèle de base et la date de retrait annoncée, et mettez une alerte six mois avant.
  4. Testez un modèle de remplacement avant le retrait, sans modifier la production : comparez le modèle affiné actuel à un modèle récent avec un bon prompt. Il arrive que l'affinage ne soit plus nécessaire.
  5. Préférez un modèle dont les poids sont à vous si la durée de vie est un enjeu. Avec une licence permissive, le modèle de base téléchargé ne disparaît pas quand un service en ligne le retire ; voir LoRA et QLoRA. Cela vous charge de l'hébergement et de la maintenance : voir le coût réel d'un modèle open source.

Le même raisonnement s'applique à un modèle d'embedding affiné pour un RAG : voir fine-tuning d'un modèle d'embedding.

À qui cela s'adresse

Cette question concerne toute entreprise qui a payé un affinage chez un fournisseur en ligne, ou qui y pense. Si vous n'avez pas encore affiné, commencez par vérifier que le problème ne se résout pas par le prompt ou un RAG : Quand faire du fine-tuning.

Limite

Les calendriers des fournisseurs changent. Relisez les pages de dépréciation et du cycle de vie avant toute décision, et conservez la date de lecture avec votre dossier.

Un exemple de calendrier pour une PME

Imaginons une entreprise qui a affiné un modèle chez un fournisseur en ligne pour classer ses demandes de support. Elle conserve ses 2 000 exemples annotés et son jeu de test de 100 questions. Le fournisseur annonce la dépréciation du modèle de base avec six mois de préavis. Le plan : mois 1, tester deux modèles récents avec un prompt soigné et quelques exemples, sans affinage, et les comparer au modèle actuel sur le jeu de test ; mois 2, si l'un d'eux atteint le niveau requis, basculer sans affiner ; sinon, relancer l'affinage sur le modèle de remplacement ; mois 3 à 4, comparaison en parallèle sur du trafic réel ; mois 5, bascule ; mois 6, retrait de l'ancien. Les chiffres de cet exemple sont illustratifs : ce qui compte, c'est que chaque étape ait un propriétaire et une date.

Questions fréquentes

Mon modèle fine-tuné reste-t-il disponible après le retrait de son modèle de base ?

D'après la page des dépréciations d'OpenAI lue le 19/11/2026, l'inférence sur les modèles affinés reste disponible jusqu'à la dépréciation des modèles de base, et n'est désactivée que lorsque le modèle de base sous-jacent est déprécié. Il faut donc prévoir un réentraînement sur un modèle plus récent.

Que faire de ses données d'entraînement ?

Conservez-les : le jeu de données et le jeu de test sont l'actif durable. Le modèle affiné est lié à une version de modèle de base qui sera un jour retirée, alors que les exemples permettent de recommencer sur un autre modèle.

Références du carnet

Pages consultées pour écrire cet article :

  1. https://developers.openai.com/api/docs/deprecations
  2. https://developers.openai.com/api/docs/guides/fine-tuning
  3. https://docs.mistral.ai/inference/model-lifecycle

À lire aussi