Présentation des nouvelles fonctionnalités intégrées à l’API de réglage fin et développement de notre programme de modèles personnalisés

Mise à jour du 8 mai 2026 : OpenAI retire progressivement la plateforme de fine-tuning. La plateforme n’est plus accessible aux nouveaux utilisateurs, mais les utilisateurs existants de la plateforme de fine-tuning pourront créer des jobs d’entraînement au cours des prochains mois. Tous les modèles fine-tunés resteront disponibles pour l’inférence jusqu’à ce que leurs modèles de base soient dépréciés⁠(ouverture dans une nouvelle fenêtre). Le calendrier complet est disponible ici⁠(ouverture dans une nouvelle fenêtre).

Les développeurs disposent de diverses techniques⁠(ouverture dans une nouvelle fenêtre) pour améliorer les performances des modèles afin de réduire la latence, d’améliorer la précision et de réduire les coûts. Qu’il s’agisse d’étendre les connaissances d’un modèle avec la génération augmentée par récupération (RAG), de personnaliser le comportement d’un modèle grâce au fine-tuning ou de créer un modèle entraîné sur mesure avec de nouvelles connaissances spécifiques à un domaine, nous avons développé une gamme d’options pour accompagner les implémentations d’IA de nos clients. Aujourd’hui, nous lançons de nouvelles fonctionnalités pour donner aux développeurs davantage de contrôle sur le fine-tuning via l’API et davantage de possibilités de travailler avec notre équipe d’experts et de chercheurs en IA pour concevoir des modèles personnalisés.

Nous avons introduit le réglage fin de l’API ⁠(ouverture dans une nouvelle fenêtre) en libre-service pour GPT‑3.5 en août 2023. Depuis lors, des milliers d’organisations ont entraîné des centaines de milliers de modèles grâce à notre API. Le réglage fin peut aider les modèles à décrypter le contenu en profondeur et à accroître les connaissances et les capacités existantes d’un modèle pour une tâche spécifique. Notre API de réglage fin prend également en charge un plus grand nombre d’exemples que ce que peut contenir une seule requête, afin d’obtenir des résultats de meilleure qualité tout en réduisant les coûts et les temps de latence. Parmi les cas d’utilisation courants du réglage fin, il convient de citer l’entraînement d’un modèle pour générer un meilleur code dans un langage de programmation particulier, pour résumer un texte dans un format spécifique ou pour créer un contenu personnalisé basé sur le comportement de l’utilisateur.

Indeed⁠(ouverture dans une nouvelle fenêtre), par exemple, est une plateforme mondiale de recherche d’emploi et de recrutement qui souhaite simplifier le processus d’embauche. Ainsi, Indeed a introduit une fonctionnalité qui envoie des recommandations personnalisées aux demandeurs d’emploi, en mettant en avant les offres d’emploi pertinentes en fonction de leurs compétences, de leur expérience et de leurs préférences. Ils ont affiné GPT‑3.5 Turbo pour générer des instructions plus précises et de meilleure qualité. En conséquence, Indeed a pu améliorer les coûts et la latence en réduisant de 80 % le nombre de jetons de requête en attente. Cela leur a permis de passer de moins d’un million de messages aux demandeurs d’emploi à environ 20 millions par mois.

Aujourd’hui, nous introduisons de nouvelles fonctionnalités⁠(ouverture dans une nouvelle fenêtre) pour apporter aux développeurs encore plus de contrôle sur leurs réglages fins, notamment :

• Création de points de contrôle basés sur l’époque : Produit automatiquement un point de contrôle complet du modèle fin au cours de chaque période d'apprentissage, ce qui réduit la nécessité d'un recyclage ultérieur, en particulier dans les cas de surajustement
• Playground comparatif : Une nouvelle interface utilisateur Playground côte à côte pour comparer la qualité et la performance des modèles, permettant l’évaluation humaine des résultats de plusieurs modèles ou le réglage fin de clichés par rapport à une seule requête.
• Intégration de tiers : Prise en charge des intégrations avec des plateformes tierces ( en commençant par Weights and Biases⁠(ouverture dans une nouvelle fenêtre) cette semaine) pour permettre aux développeurs de partager des données détaillées de réglage fin avec le reste de leur pile
• Mesures de validation complètes : La possibilité de déterminer des mesures telles que la perte et la précision sur l’ensemble du jeu de données de validation au lieu d’un lot échantillonné, ce qui permet d’avoir une meilleure idée de la qualité du modèle
• Configuration des hyperparamètres : La possibilité de configurer les hyperparamètres disponibles à partir du tableau de bord⁠(ouverture dans une nouvelle fenêtre) (plutôt que par l’intermédiaire de l’API ou du SDK).
• Amélioration du tableau de bord de réglage fin : Notamment la possibilité de configurer des hyperparamètres, de visualiser des mesures d’entraînement plus détaillées et de réexécuter des tâches à partir de configurations antérieures.

Lors du DevDay en novembre dernier, nous avons annoncé⁠ un programme de modèles personnalisés conçu pour entraîner et optimiser les modèles pour un domaine spécifique, en partenariat avec un groupe dédié de chercheurs d’OpenAI. Depuis lors, nous avons rencontré des dizaines de clients pour évaluer leurs besoins en matière de modèles personnalisés et nous avons fait évoluer notre programme pour maximiser les performances.

Aujourd’hui, nous présentons officiellement notre offre de mise au point assistée dans le cadre du programme de modèles personnalisés. Le réglage fin assisté est une initiative de collaboration avec nos équipes techniques pour exploiter des techniques au-delà de l’API de réglage fin, telles que des hyperparamètres supplémentaires et diverses méthodes de réglage fin efficace des paramètres (PEFT) à une plus grande échelle. C’est particulièrement utile pour les organisations qui ont besoin d’aide pour mettre en place des pipelines de données de formation efficaces, des systèmes d’évaluation, et des paramètres et méthodes sur mesure pour maximiser les performances du modèle pour leur cas d’utilisation ou leur tâche.

SK Telecom⁠(ouverture dans une nouvelle fenêtre), par exemple, qui est un opérateur de télécommunications desservant plus de 30 millions d’abonnés en Corée du Sud, souhaitait par exemple personnaliser un modèle pour en faire un expert dans le domaine des télécommunications, en se concentrant initialement sur le service à la clientèle. Ils ont travaillé avec OpenAI pour le réglage fin de GPT‑4 afin d’améliorer ses performances dans les conversations liées aux télécommunications en langue coréenne. Au cours de plusieurs semaines, SKT et OpenAI ont amélioré de manière significative les performances des tâches de service à la clientèle dans le domaine des télécommunications ; une augmentation de 35 % de la qualité du résumé de la conversation, une augmentation de 33 % de la précision de la reconnaissance des intentions et une augmentation des scores de satisfaction de 3,6 à 4,5 (sur 5) en comparant le modèle de réglage fin de GPT‑4.

Dans certains cas, les organisations doivent former un modèle spécifique à partir de zéro afin de mieux appréhender leur activité, leur secteur ou leur domaine. Les modèles entièrement personnalisés intègrent de nouvelles connaissances dans un domaine spécifique en modifiant les étapes clés du processus d’apprentissage du modèle à l’aide de nouvelles techniques d’apprentissage à mi-parcours et de post-apprentissage. Les entreprises qui réussissent à se doter d’un modèle entièrement personnalisé disposent souvent de grandes quantités de données propriétaires ( des millions d'exemples ou des milliards de jetons) qu’elles souhaitent utiliser pour apporter au modèle de nouvelles connaissances ou des comportements complexes et uniques dans le cadre de cas d’utilisation très spécifiques.

Harvey⁠(ouverture dans une nouvelle fenêtre), par exemple, qui est un outil juridique IA-native pour les avocats, s’est associé à OpenAI pour créer un modèle de langage large entraîné sur mesure pour la jurisprudence.⁠. Bien que les modèles de base soient très performants en matière de raisonnement, ils ne disposent pas des connaissances approfondies en matière de jurisprudence et des autres connaissances requises pour le travail juridique. Après avoir testé l’ingénierie de prompts, la génération augmentée de récupération et le réglage fin, Harvey a collaboré avec notre équipe pour ajouter au modèle un contexte approfondi nécessaire, soit l’équivalent de 10 milliards de jetons de données. Our team modified every step of the model training process, from domain-specific mid-training to customizing post-training processes and incorporating expert attorney feedback. The resulting model achieved an 83% increase in factual responses and attorneys preferred the customized model’s outputs 97% of the time over GPT‑4.

We believe that in the future, the vast majority of organizations will develop customized models that are personalized to their industry, business, or use case. With a variety of techniques available to build a custom model, organizations of all sizes can develop personalized models to realize more meaningful, specific impact from their AI implementations. The key is to clearly scope the use case, design and implement evaluation systems, choose the right techniques, and be prepared to iterate over time for the model to reach optimal performance.

With OpenAI, most organizations can see meaningful results quickly with the self-serve fine-tuning API. For any organizations that need to more deeply fine-tune their models or imbue new, domain-specific knowledge into the model, our Custom Model programs can help.

Visit our fine-tuning API⁠(ouverture dans une nouvelle fenêtre) docs to start fine-tuning our models.