> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/commencer/fine-tuning-llms-guide/what-model-should-i-use.md).

# Quel modèle dois-je utiliser pour le fine-tuning ?

## Llama, Qwen, Mistral, Phi ou ?

Lors de la préparation au fine-tuning, l’une des premières décisions auxquelles vous serez confronté consiste à choisir le bon modèle. Voici un guide étape par étape pour vous aider à choisir :

{% stepper %}
{% step %}
**Choisissez un modèle qui correspond à votre cas d’utilisation**

* Par exemple, pour un entraînement basé sur des images, sélectionnez un modèle de vision tel que *Llama 3.2 Vision*. Pour les jeux de données de code, optez pour un modèle spécialisé comme *Qwen Coder 2.5*.
* **Licences et exigences**: Différents modèles peuvent avoir des conditions de licence spécifiques et [des exigences système](/docs/fr/commencer/fine-tuning-for-beginners/unsloth-requirements.md#system-requirements). Assurez-vous de les examiner attentivement afin d’éviter les problèmes de compatibilité.
  {% endstep %}

{% step %}
**Évaluez votre capacité de stockage, de calcul et votre jeu de données**

* Utilisez notre [guide VRAM](/docs/fr/commencer/fine-tuning-for-beginners/unsloth-requirements.md#approximate-vram-requirements-based-on-model-parameters) pour déterminer les besoins en VRAM du modèle que vous envisagez.
* Votre jeu de données reflétera le type de modèle que vous utiliserez ainsi que le temps nécessaire à son entraînement
  {% endstep %}

{% step %}
**Sélectionnez un modèle et des paramètres**

* Nous recommandons d’utiliser le modèle le plus récent pour obtenir les meilleures performances et capacités. Par exemple, en janvier 2025, le modèle 70B de référence est *Llama 3.3*.
* Vous pouvez rester à jour en explorant notre [catalogue de modèles](/docs/fr/commencer/unsloth-model-catalog.md) pour trouver les options les plus récentes et pertinentes.
  {% endstep %}

{% step %}
**Choisissez entre les modèles Base et Instruct**

Plus de détails ci-dessous :
{% endstep %}
{% endstepper %}

## Modèle Instruct ou Base ?

Lors de la préparation au fine-tuning, l’une des premières décisions auxquelles vous serez confronté est de savoir s’il faut utiliser un modèle instruct ou un modèle base.

### Modèles Instruct

Les modèles Instruct sont pré-entraînés avec des instructions intégrées, ce qui les rend prêts à l’emploi sans aucun fine-tuning. Ces modèles, y compris les GGUF et d’autres couramment disponibles, sont optimisés pour une utilisation directe et répondent efficacement aux prompts dès le départ. Les modèles Instruct fonctionnent avec des modèles de chat conversationnels comme ChatML ou ShareGPT.

### **Modèles Base**

Les modèles Base, en revanche, sont les versions pré-entraînées d’origine, sans fine-tuning d’instruction. Ils sont spécialement conçus pour être personnalisés via le fine-tuning, ce qui vous permet de les adapter à vos besoins uniques. Les modèles Base sont compatibles avec des modèles de type instruction comme [Alpaca ou Vicuna](/docs/fr/notions-de-base/chat-templates.md), mais ils ne prennent généralement pas en charge les modèles de chat conversationnels tels quels.

### Dois-je choisir Instruct ou Base ?

La décision dépend souvent de la quantité, de la qualité et du type de vos données :

* **1 000 lignes de données ou plus**: Si vous disposez d’un grand jeu de données de plus de 1 000 lignes, il est généralement préférable de fine-tuner le modèle base.
* **300 à 1 000 lignes de données de haute qualité**: Avec un jeu de données de taille moyenne et de haute qualité, le fine-tuning du modèle base ou du modèle instruct sont tous deux des options viables.
* **Moins de 300 lignes**: Pour les plus petits jeux de données, le modèle instruct est généralement le meilleur choix. Le fine-tuning du modèle instruct lui permet de s’aligner sur des besoins spécifiques tout en préservant ses capacités d’instruction intégrées. Cela garantit qu’il peut suivre des instructions générales sans apport supplémentaire, sauf si vous souhaitez modifier considérablement sa fonctionnalité.
* Pour savoir quelle taille votre jeu de données devrait avoir, [voir ici](/docs/fr/commencer/fine-tuning-llms-guide/datasets-guide.md#how-big-should-my-dataset-be)

## Fine-tuning des modèles avec Unsloth

Vous pouvez remplacer le nom du modèle par n’importe quel modèle de votre choix en le faisant correspondre au nom du modèle sur Hugging Face, par exemple : 'unsloth/llama-3.1-8b-unsloth-bnb-4bit'.

Nous recommandons de commencer avec **les modèles Instruct**, car ils permettent un fine-tuning direct à l’aide de modèles de chat conversationnels (ChatML, ShareGPT, etc.) et nécessitent moins de données que les **modèles Base** (qui utilisent Alpaca, Vicuna, etc.). En savoir plus sur les différences entre [les modèles instruct et base ici](#instruct-or-base-model).

* Les noms de modèles se terminant par **`unsloth-bnb-4bit`** indiquent qu’il s’agit de [**quantifications dynamiques 4 bits d’Unsloth**](https://unsloth.ai/blog/dynamic-4bit) **des quantifs**. Ces modèles consomment légèrement plus de VRAM que les modèles BitsAndBytes 4 bits standard, mais offrent une précision nettement supérieure.
* Si le nom d’un modèle se termine simplement par **`bnb-4bit`**, sans « unsloth », cela fait référence à une quantification BitsAndBytes 4 bits standard.
* Les modèles avec **aucun suffixe** sont dans leurs formats originaux **16 bits ou 8 bits**. Bien qu’il s’agisse des modèles d’origine des créateurs officiels, nous incluons parfois des corrections importantes, comme des correctifs de modèle de chat ou de tokenizer. Il est donc recommandé d’utiliser nos versions lorsqu’elles sont disponibles.

### L’expérimentation est essentielle

{% hint style="info" %}
Nous recommandons d’expérimenter avec les deux modèles lorsque c’est possible. Fine-tunez chacun d’eux et évaluez les sorties pour voir lequel correspond le mieux à vos objectifs.
{% endhint %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://unsloth.ai/docs/fr/commencer/fine-tuning-llms-guide/what-model-should-i-use.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.