méthode à suivre

Finetunning/.gitignore

@@ -1 +1,2 @@
+# Les modèles générés 
 qwen2.5*/

Finetunning/mergeLora.py

@@ -17,7 +17,7 @@ print("=== LoRA merge script started ===")
 # ----------------------------
 # Load base model
 # ----------------------------
-print("[1/4] Loading base model...")
+print(f"{80 * '_'}\n[1/4] Loading base model...")
 base_model = AutoModelForCausalLM.from_pretrained(
     BASE_MODEL,
     torch_dtype=DTYPE,
@@ -29,7 +29,7 @@ print("Base model loaded.")
 # ----------------------------
 # Load tokenizer
 # ----------------------------
-print("[2/4] Loading tokenizer...")
+print(f"{80 * '_'}\n[2/4] Loading tokenizer...")
 tokenizer = AutoTokenizer.from_pretrained(
     BASE_MODEL,
     trust_remote_code=True
@@ -40,7 +40,7 @@ print("Tokenizer loaded.")
 # ----------------------------
 # Load LoRA adapter
 # ----------------------------
-print("[3/4] Loading LoRA adapter...")
+print(f"{80 * '_'}\n[3/4] Loading LoRA adapter...")
 model = PeftModel.from_pretrained(
     base_model,
     LORA_DIR,
@@ -50,7 +50,7 @@ print("LoRA adapter loaded.")
 # ----------------------------
 # Merge LoRA into base model
 # ----------------------------
-print("[4/4] Merging LoRA into base model...")
+print(f"{80 * '_'}\n[4/4] Merging LoRA into base model...")
 model = model.merge_and_unload()
 print("LoRA successfully merged.")
 

README.md

@@ -95,12 +95,19 @@ Le principe est le suivant :
       ↓
 4️⃣ Merge LoRA + modèle de base (mergeLora.py)
       ↓
-5️⃣ Conversion en GGUF
+5️⃣ Conversion en GGUF ()
       ↓
 6️⃣ Ollama (inférence finale)
 
 ```
-### validation
-e script tests plusieurs prompt et renvoie celui avec le meilleur score BLEU.
+### Validation
+Executer le script ```python validation.py```
 
-Il faut ensuite copier ce prompt dans le fichier modelFile.
+Le script tests plusieurs prompts et renvoie celui avec le meilleur score BLEU.
+
+Il faut ensuite copier ce prompt dans le fichier ModelFile.
+
+### Merge
+Executer le script ```python mergeLora.py```
+
+### Conversion en GGUF