Choisissez à partir de preuves sur votre charge de travail, pas d’un classement générique. Commencez par le plus petit checkpoint qui atteint votre cible de qualité, puis vérifiez ses conditions, son support d’entraînement et son chemin de déploiement avant d’investir dans un entraînement complet.
Constituez des cas représentatifs de réussite, d’échec, de limite, de sûreté et hors distribution. Tenez-les à l’écart de l’entraînement et de l’itération sur les prompts.
Testez la même grille avec du prompting, des exemples few-shot, de la recherche documentaire et les modèles de base candidats. Le fine-tuning doit combler un écart mesuré.
Menez une courte expérience avec adaptateurs, consignez la configuration complète et ne promouvez que si le gain résiste à l’évaluation sur jeu réservé et de sûreté.
État des lieux revu en août 2026. Il s’agit d’un point de départ, pas d’un classement ni d’une garantie que chaque checkpoint prend en charge chaque méthode de tuning. Suivez la source officielle pour les fichiers et conditions à jour.
Une famille à poids ouverts soutenue par Google, avec des parcours de tuning local et cloud documentés.
À vérifier : Ne choisissez le checkpoint et le format exacts qu’après avoir vérifié les conditions Gemma actuelles, le guide du framework et les besoins en mémoire.
Ouvrir la source officielle du modèleUne large famille à poids ouverts à évaluer pour les charges multilingues, de code et multimodales.
À vérifier : La collection contient des modèles aux architectures et tailles très différentes ; vérifiez chaque fiche de modèle et chaque template de chat.
Ouvrir la source officielle du modèleDes modèles à poids ouverts avec un guide de déploiement officiel et, pour certains checkpoints, un guide de fine-tuning.
À vérifier : Certains checkpoints récents sont des modèles à mélange d’experts, dont l’empreinte totale en poids dépasse largement le nombre de paramètres actifs.
Ouvrir la source officielle du modèleDes modèles de raisonnement à poids ouverts d’OpenAI, avec une fiche de modèle officielle et des notes de fine-tuning.
À vérifier : Conservez le format de réponse Harmony requis et mesurez la mémoire sur la pile d’entraînement exacte avant de choisir un checkpoint.
Ouvrir la source officielle du modèleLa famille à poids ouverts de NVIDIA, pensée pour les charges d’agents et d’appel d’outils, en paliers allant de checkpoints compacts à de très grands modèles à mélange d’experts, avec données et recettes publiées pour une partie de la famille.
À vérifier : Les paliers diffèrent par la licence et l’architecture ; vérifiez l’empreinte totale en poids d’un checkpoint à mélange d’experts et sa prise en charge par votre framework avant un pilote.
Ouvrir la source officielle du modèleDe petits modèles encodeurs pour l’extraction, la classification et la détection de données personnelles, rapides à entraîner et économiques à servir ; affinés, ces modèles de tâche peuvent égaler des généralistes bien plus grands sur des tâches étroites.
À vérifier : Ce sont des modèles de tâche pilotés par schéma, pas des modèles de chat ; confirmez que la tâche correspond à l’interface et dépassez une référence généraliste sur vos propres étiquettes avant de vous engager.
Ouvrir la source officielle du modèleLe nombre de paramètres ne suffit pas à prédire la mémoire d’entraînement. La précision, la longueur de séquence, l’implémentation de l’attention, l’optimiseur, la taille de batch, les adaptateurs et le sharding comptent tous. La frontière la plus coûteuse est l’accélérateur unique : dès qu’un pilote ne tient plus sur un seul dispositif, même avec adaptateurs et quantification, l’entraînement devient un projet de systèmes distribués.
« Poids ouverts » n’est pas une catégorie de licence : certaines publications livrent les poids, les données et le code d’entraînement sous conditions permissives, d’autres ne livrent que les poids, assortis de clauses de revenus ou de domaine d’usage. Examinez les conditions et les avis du checkpoint ; ne déduisez pas vos droits du nom de la famille de modèles.
Un modèle entraîné peut régresser en dehors de la tâche visée. Testez les capacités de base, les cas d’abus, les fuites de données personnelles et le comportement de refus avant chaque mise en production.
N’achetez jamais de matériel sur la foi d’une estimation générique de VRAM. Reproduisez un pilote représentatif avec le checkpoint, la précision, la longueur de séquence et le framework exacts, ou obtenez un devis fournisseur à jour incluant l’entraînement, le stockage, le service et les transferts de données.