# Fine-tuning

> Le fine-tuning consiste à poursuivre l'entraînement d'un modèle pré-entraîné sur un jeu de données plus petit et ciblé, afin qu'il se spécialise sur une tâche, un ton ou un domaine. Le modèle conserve ses connaissances générales mais ajuste ses poids vers vos exemples : c'est ainsi qu'un modèle affiné respecte une voix de marque ou un format de niche que le prompt seul peine à imposer.

- Updated: 2026-08-11
- Canonical: https://geotoolbox.ai/fr/glossary/fine-tuning

---

Le fine-tuning est l'une des trois façons de modifier ce que produit un modèle, et on les confond facilement. L'entraînement inscrit les connaissances de base dans les poids. Le fine-tuning oriente ensuite ces poids vers vos exemples. La [récupération](https://geotoolbox.ai/blog/what-is-rag) modifie les éléments que le modèle a sous les yeux au moment de répondre, sans toucher aux poids.

Pour la plupart des sites, le fine-tuning est le mauvais levier en matière de visibilité IA. Même lorsqu'un fournisseur propose une API de fine-tuning, celle-ci ne modifie que votre déploiement privé, pas le ChatGPT ou le Gemini publics que vos acheteurs utilisent réellement. Le fine-tuning a du sens quand vous exploitez votre propre modèle à [poids ouverts](https://geotoolbox.ai/glossary/open-weights) et avez besoin d'un comportement cohérent. Pour peser sur ce que les grands moteurs disent de vous, ce sont les preuves qu'ils récupèrent qui comptent, pas leurs poids.