Nous avons réussi à affiner un modèle à poids ouverts (Qwen3.5-9B) à partir de données internes propriétaires chez @coinbase. Pour une tâche spécialisée (la prévention de la fraude, dans ce cas), il a surpassé les modèles de pointe, à un coût bien moindre et avec une vitesse bien supérieure.
Je pense que nous verrons de plus en plus ce phénomène au sein des entreprises. Les modèles de pointe sont d’excellents généralistes. Mais on verra de plus en plus de modèles spécialisés les surpasser sur des tâches plus ciblées, qu’ils travaillent en équipe ou seuls.
Nous facilitons l’affinage de modèles en interne pour nos employés. Nous avons même une compétence dédiée à cela dans notre environnement interne, qui permet de les lancer facilement et de commencer à les entraîner :
« /fine-tune-and-serve-llm Je veux affiner Qwen pour l’évaluation des risques liés aux paiements. Aide-moi à démarrer »
J’imagine que certains de nos services backend pourraient être entièrement remplacés par cette nouvelle architecture.
Je pense que nous verrons de plus en plus ce phénomène au sein des entreprises. Les modèles de pointe sont d’excellents généralistes. Mais on verra de plus en plus de modèles spécialisés les surpasser sur des tâches plus ciblées, qu’ils travaillent en équipe ou seuls.
Nous facilitons l’affinage de modèles en interne pour nos employés. Nous avons même une compétence dédiée à cela dans notre environnement interne, qui permet de les lancer facilement et de commencer à les entraîner :
« /fine-tune-and-serve-llm Je veux affiner Qwen pour l’évaluation des risques liés aux paiements. Aide-moi à démarrer »
J’imagine que certains de nos services backend pourraient être entièrement remplacés par cette nouvelle architecture.