Réglage précis dans Microsoft Foundry

L’ajustement fin adapte un modèle préentraîné à votre tâche via un entraînement supplémentaire sur des données spécifiques à la tâche. Il ajuste les pondérations du modèle plutôt que d’ajouter des exemples à chaque prompt. Vous développez les fonctionnalités existantes du modèle sans entraîner un modèle à partir de zéro.

L’ajustement fin peut vous aider lorsque vous disposez de données d’apprentissage spécifiques à des tâches de haute qualité et que vous souhaitez :

  • Améliorez la précision et la pertinence. L’entraînement sur un plus grand nombre d’exemples que ne peut contenir un prompt peut enseigner des modèles spécifiques aux tâches.
  • Réduire la surcharge liée aux requêtes. Réduire le nombre d’exemples dans les requêtes peut diminuer les coûts en jetons et la latence.
  • Aligner le style et la structure. Les réponses peuvent suivre un ton, un format ou un schéma cohérents.
  • Améliorer l’utilisation des outils. Les exemples d’apprentissage peuvent améliorer la sélection des outils et la précision des paramètres fournis.
  • Utilisez efficacement le contexte récupéré. Les modèles peuvent apprendre à hiérarchiser le contexte pertinent et à ignorer les informations non pertinentes.
  • Spécialisez un modèle plus petit. Les exemples générés par un modèle enseignant peuvent aider un modèle plus petit à répondre aux exigences des tâches à moindre coût et avec une latence réduite.

Les avantages ne sont pas garantis ; une évaluation sur un jeu de données réservé permet de comparer le modèle affiné à votre modèle de référence. L’ajustement fin entraîne des coûts d’entraînement et d’hébergement et ne remplace pas la récupération d’informations à jour ni les mécanismes de sécurité au niveau de l’application.

Choisir votre approche de formation

Microsoft Foundry propose deux approches d’entraînement. L’affinage géré exécute un travail d’apprentissage à partir de vos données et paramètres. L’entraînement interactif (aperçu) vous permet de contrôler les étapes d’entraînement dans Python.

Les deux utilisent l’infrastructure de formation gérée par Foundry ; vous ne provisionnez pas de GPU d’entraînement.

Note

La formation interactive est en préversion et nécessite une approbation d’accès explicite. Demandez l’accès via le formulaire d’inscription à la version préliminaire et attendez l’approbation avant de créer des sessions d’entraînement.

Ajustement fin géré Formation interactive (aperçu)
Fonctionnement Soumettre des données et des paramètres ; Foundry exécute la tâche d’entraînement. Écrire une boucle Python ; Foundry exécute des opérations d’entraînement et d’échantillonnage.
Idéal pour Les débutants et les ingénieurs IA qui préfèrent les flux de travail prédéfinis par rapport aux opérations de formation de niveau inférieur. Des spécialistes expérimentés du machine learning créant des workflows d’entraînement personnalisés.
Votre contrôle Données, hyperparamètres pris en charge et évaluateurs RFT. Pertes, récompenses, rollouts, accumulation de gradients, mises à jour et points de contrôle.
Méthodes d’entraînement SFT, DPO et RFT spécifiques au modèle ; distillation à partir de données SFT générées par un modèle enseignant. Recettes pour SFT, apprentissage par renforcement, apprentissage de préférence, distillation et pertes personnalisées.
Exemples de cas d’usage Distillez à partir d’un modèle plus grand, apprenez à partir de conversations de support ou améliorez les réponses avec un évaluateur. Collectez des rollouts d’utilisation d’outils, appliquez des récompenses personnalisées ou modifiez le comportement de mise à jour et d’évaluation de la boucle d’entraînement.

Tip

Commencez par le fine-tuning géré si vous débutez avec la personnalisation du modèle. Il fournit des flux de travail prédéfinis sans vous obliger à implémenter des opérations de formation individuelles.

Les exigences du modèle peuvent limiter ce choix. Un modèle pris en charge pour une approche, une méthode ou une modalité n’est pas automatiquement pris en charge pour une autre. La prise en charge des recettes Cookbook ne permet pas non plus d’établir la disponibilité du service. Consultez le tableau des modèles pris en charge ci-dessous pour connaître les combinaisons disponibles.

Méthodes de personnalisation

Les méthodes de personnalisation déterminent comment un modèle apprend à partir de données d’entraînement ou de commentaires, tels que les réponses souhaitées, les préférences ou les récompenses.

Méthode Signal d’entraînement Quand il s’adapte
Ajustement fin supervisé (SFT) Requêtes et réponses attendues. Vous pouvez illustrer le comportement que le modèle doit apprendre.
Réglage des préférences, à l’aide de l’optimisation directe des préférences (DPO) Réponses préférées et rejetées à la même entrée. La qualité dépend des préférences telles que la tonalité ou l’exhaustivité, plutôt que d’une réponse correcte.
Ajustement fin par renforcement (RFT) Prompts et un évaluateur qui note les réponses générées. Plusieurs solutions sont possibles et vous pouvez évaluer de manière fiable leur qualité.

Les méthodes prédéfinies de ce tableau s’appliquent uniquement au fine-tuning géré. L’entraînement interactif expose les primitives d’entraînement pour la création de flux de travail d’entraînement personnalisés.

Types d’entraînement

Les types d’entraînement définissent où l’entraînement s’exécute et comment s’appliquent la capacité, la tarification et les garanties de service. Ils sont distincts des types de déploiement, qui déterminent la façon dont vous servez un modèle entraîné.

Type d’entraînement Description
Standard La formation a lieu dans la région actuelle de la ressource Foundry et offre des garanties en matière de résidence des données. Idéal pour les charges de travail où les données doivent rester dans une région spécifique.
Zone de données L’entraînement se produit dans une zone de données prise en charge plutôt qu’une seule région. Idéal pour les charges de travail où les données doivent rester dans cette zone. Seule la zone de données américaine est actuellement prise en charge.
Global Fournit des tarifs plus abordables par rapport à Standard en utilisant la capacité au-delà de votre région actuelle. Les données et les pondérations sont copiées dans la région où l’entraînement se produit. Idéal si la résidence des données n’est pas une restriction et que vous souhaitez accélérer les temps de file d’attente.
Developer Offre des économies significatives en utilisant la capacité inactive pour la formation. Il n’existe aucune garantie de latence ou de contrat SLA. Les travaux de ce niveau peuvent donc être automatiquement préemptés et repris ultérieurement. Il n’existe aucune garantie pour la résidence des données. Idéal pour l’expérimentation et les charges de travail sensibles aux prix.

Options de déploiement

Foundry propose trois options de déploiement qui se distinguent par différentes infrastructures de service et différents modèles de facturation.

  • Serverless : Foundry héberge le modèle affiné et gère l’infrastructure d’inférence.
  • Calcul géré (préversion) : la capacité GPU dédiée exécute un modèle de base correspondant avec un ou plusieurs adaptateurs LoRA compatibles.
  • Fireworks sur Foundry (version préliminaire) : le runtime Fireworks utilise un adaptateur fusionné avec une copie complète des poids du modèle de base.

Serverless et Fireworks offrent différents types de déploiement, qui déterminent la zone géographique de traitement, la capacité et le modèle de facturation. La disponibilité dépend du modèle, de l’option de déploiement et de l’artefact.

Type de déploiement Description
Standard Exécute l’inférence dans la région du déploiement avec facturation par jeton et les frais d’hébergement applicables des modèles affinés.
Standard de zone de données Exécute l’inférence dans une zone de données prise en charge avec facturation par jeton. Seule la zone de données américaine est prise en charge.
Standard global Utilise la capacité globale avec facturation par jeton. Les pondérations de modèle personnalisées peuvent être stockées temporairement en dehors de la zone géographique de la ressource.
Developer Exécute l’inférence à l’échelle mondiale avec facturation par jeton et sans frais d’hébergement horaire ni garantie de résidence des données. Pour l’évaluation uniquement ; dure 24 heures et n’a pas de SLA de disponibilité.
Débit approvisionné Fournit une capacité régionale facturée en unités de débit provisionné (PTU), pour un débit prévisible.
Global–Approvisionné Utilise la capacité globale avec la facturation basée sur PTU pour les modèles personnalisés importés.

Modèles pris en charge

Vos exigences peuvent nécessiter un modèle ou une approche d’entraînement spécifique. Utilisez le tableau pour vérifier quelles combinaisons prennent en charge votre méthode de personnalisation, votre type d’entraînement et l’option de déploiement.

Pour les déploiements serverless pris en charge, Global Standard, Data Zone Standard et Developer sont disponibles, sauf indication contraire d’une légende. Vérifiez les régions de déploiement standard et les régions de déploiement de débit approvisionné pour ces types de déploiement.

ID de modèle Approach Types d’entraînement Options de déploiement
MAI-Code-1.1-Flash
(version préliminaire)		 Géré : ✅ (RFT)
Interactive : ❌		 Standard : ❌
Zone de données : ❌
Global : ✅
Développeur : ✅		 Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌
Muse-Glimmer-30B
(version préliminaire)		 Géré : ✅ (SFT, RFT)
Interactive : ✅		 Standard : ❌
Zone de données : ❌
Global : ✅
Développeur : ✅		 Serverless : ❌
Capacité de calcul managée : ✅
Feux d’artifice : ✅
Llama-3.3-70B-Instruct Géré : ✅ (SFT)
Interactive : ❌		 Standard : ❌
Zone de données : ✅
Global : ✅
Développeur : ❌		 Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌
Qwen3-32B Géré : ✅ (SFT)
Interactive : ❌		 Standard : ❌
Zone de données : ✅
Global : ✅
Développeur : ❌		 Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌
Qwen3.6-35B-A3B
(version préliminaire)		 Géré : ✅ (SFT, RFT)
Interactive : ✅		 Standard : ❌
Zone de données : ❌
Global : ✅
Développeur : ✅		 Serverless : ❌
Capacité de calcul managée : ✅
Feux d’artifice : ✅
Qwen3.8-27B
(version préliminaire)		 Géré : ✅ (SFT, RFT)
Interactive : ✅		 Standard : ❌
Zone de données : ❌
Global : ✅
Développeur : ✅		 Serverless : ❌
Capacité de calcul managée : ✅
Feux d’artifice : ✅
gpt-oss-20b Géré : ✅ (SFT)
Interactive : ✅		 Standard : ❌
Zone de données : ✅
Global : ✅
Développeur : ❌		 Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-oss-120b
(version préliminaire)		 Géré : ✅ (SFT, RFT)
Interactive : ✅		 Standard : ❌
Zone de données : ❌
Global : ✅
Développeur : ✅		 Serverless : ❌
Capacité de calcul managée : ✅
Feux d’artifice : ✅
Ministral-3B
(2411)		 Géré : ✅ (SFT)
Interactive : ❌		 Standard : ❌
Zone de données : ✅
Global : ✅
Développeur : ❌		 Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-4o-mini
(2024-07-18)		 Géré : ✅ (SFT)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ✅		 Serverless : ✅5
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-4o
(2024-08-06)		 Géré : ✅ (SFT, DPO)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ✅		 Serverless : ✅5
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-4.1
(2025-04-14)		 Géré : ✅ (SFT, DPO)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ✅		 Serverless : ✅
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-4.1-mini
(2025-04-14)		 Géré : ✅ (SFT, DPO)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ✅		 Serverless : ✅
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-4.1-nano
(2025-04-14)		 Géré : ✅ (SFT, DPO)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ✅		 Serverless : ✅
Capacité de calcul managée : ❌
Feux d’artifice : ❌
o4-mini
(2025-04-16)		 Géré : ✅ (RFT)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ✅		 Serverless : ✅
Capacité de calcul managée : ❌
Feux d’artifice : ❌
gpt-5
(07/08/2025)3		 Géré : ✅ (RFT)
Interactive : ❌		 Standard : ✅
Zone de données : ✅
Global : ✅
Développeur : ❌		 Serverless : ✅4
Capacité de calcul managée : ❌
Feux d’artifice : ❌
MedImageInsight-Premium
(version préliminaire)		 Géré : ✅ (SFT)
Interactive : ❌		 Global Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌
CXRReportgen-Premium
(version préliminaire)		 Géré : ✅ (SFT)
Interactive : ❌		 Global Serverless : ✅2
Capacité de calcul managée : ❌
Feux d’artifice : ❌

Légende

  • 1 Seul le type de déploiement Provisioned Throughput est pris en charge.
  • 2 Seul le type de déploiement Global Standard est pris en charge.
  • 3 Le fine-tuning par renforcement de GPT-5 nécessite une invitation. Contactez l’équipe chargée de la gestion de votre compte Microsoft pour vous inscrire.
  • 4 Seul le type de déploiement Standard est pris en charge. Consultez les régions de déploiement standard.
  • 5 Le type de déploiement Développeur n’est pas pris en charge.

Régions de formation globales prises en charge

Note

La formation globale offre une formation plus abordable par jeton, mais n'offre pas d'hébergement local des données.

Le tableau répertorie les régions de projet Foundry requises pour utiliser le réglage fin géré à l’échelle mondiale et l’entraînement interactif (préversion). Choisissez une région prise en charge pour votre modèle et votre approche d’entraînement, y compris les restrictions ci-dessous. L’entraînement Standard et l’entraînement Zone de données bénéficient d’une prise en charge régionale distincte.

Région du projet Foundry Ajustement fin géré Formation interactive (aperçu)
Australia East ✅ ✅
Brazil South ✅ 1 ❌
Canada Central ✅ 1 ❌
Canada East ✅ 1 ✅
East US ✅ ✅
Est des États-Unis 2 ✅ ✅
France Central ✅ 1 ❌
Allemagne Centre-Ouest ✅ 1 ❌
Italie Nord ✅ 1 ❌
Japan East ✅ 1,2 ❌
Korea Central ✅ ✅
Centre-Nord des États-Unis ✅ ✅
Norway East ✅ 1 ❌
Poland Central ✅ 1,3 ❌
Afrique du Sud Nord ✅ 1 ❌
États-Unis – partie centrale méridionale ✅ 1 ❌
South India ✅ 1 ❌
Southeast Asia ✅ 1 ❌
Spain Central ✅ 1 ❌
Sweden Central ✅ ✅
Switzerland North ✅ ✅
Switzerland West ✅ 1 ❌
UAE North ✅ 4 ✅
UK South ✅ ✅
West Europe ✅ 1 ❌
West US ✅ 1 ❌
Ouest des États-Unis 3 ✅ ✅
  • 1 Ajustement fin géré pour Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B et gpt-oss-120b n’est pas pris en charge dans cette région.
  • 2 L’ajustement fin des modèles de vision n’est pas pris en charge dans la région Japon Est.
  • 3 L’ajustement fin géré pour gpt-4.1-nano n’est pas pris en charge dans la région Pologne Centre.
  • 4 La région Émirats arabes unis Nord prend en charge l’ajustement fin géré global uniquement pour Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B et gpt-oss-120b.

Régions de déploiement Standard prises en charge

Seuls les modèles suivants prennent en charge les déploiements standard serverless. Vérifiez la disponibilité régionale dans le tableau.

ID de modèle Est des États-Unis 2 Centre-Nord des États-Unis Sweden Central
gpt-4o-mini ❌ ✅ ✅
gpt-4o ✅ ❌ ✅
gpt-4.1 ❌ ✅ ✅
gpt-4.1-mini ❌ ✅ ✅
gpt-4.1-nano ❌ ✅ ✅
o4-mini ✅ ❌ ✅
gpt-5 ❌ ✅ ✅

Régions de déploiement de débit provisionné prises en charge

Seuls les modèles suivants prennent en charge les déploiements serverless Provisioned Throughput, dans les régions répertoriées.

ID de modèle Centre-Nord des États-Unis Sweden Central
gpt-4o-mini ✅ ✅
gpt-4o ✅ ✅
gpt-4.1 ❌ ✅

Défis et limites

L’ajustement fin est un processus d’ingénierie itératif, et non une amélioration garantie.

Défi Comment résoudre ce problème
Qualité et couverture des données Utilisez des exemples précis, cohérents et représentatifs. Inspectez les scénarios manquants, les doublons, les biais et les informations sensibles avant de charger des données.
Surapprentissage et fuite de données d’évaluation Séparez les données d’entraînement, de validation et de test final. Comparez les points de contrôle sur des tâches réservées à l’évaluation, et pas uniquement en fonction de la perte d’entraînement.
Signaux de récompense trompeurs Testez les évaluateurs RFT par rapport aux réponses correctes, incorrectes et contradictoires. Une augmentation de la récompense ne prouve pas une meilleure performance sur les tâches si le modèle exploite les faiblesses du système d’évaluation.
Expérimentation et coût Budget pour les exécutions répétées, la notation, l’évaluation, l’hébergement et l’inférence. Arrêtez les expériences qui n’améliorent pas la métrique cible.
Compatibilité du modèle et du service d’inférence Vérifiez la méthode, le niveau de service, la version et l’éligibilité du déploiement avant l’entraînement. Un adaptateur n’est pas interchangeable d’un modèle de base à l’autre portant un nom similaire.
Maintenance Réévaluez la qualité à mesure que les données de tâche changent ou qu’un modèle de base approche de la mise hors service. La réentraînation et le redéploiement peuvent être nécessaires.
Sécurité et gouvernance Examinez le traitement des données et l’évaluation de sécurité gérée. Maintenez les mécanismes de sécurité au niveau de l’application et évaluez l’environnement d’exécution final du service d’inférence.
Responsabilités liées au runtime interactif Gérez votre pilote, vos environnements, la tokenisation, les points de contrôle et la logique de récupération. L’échantillonnage au cours d’une session ne prouve pas que le comportement sera identique en production.

Étapes suivantes

Commencez par consulter le guide correspondant à votre approche d’entraînement, puis déployez et évaluez votre modèle affiné.

  • Dernière mise à jour :