Résumé des données d'entraînement (AI Act)

Trame du résumé des contenus d'entraînement demandé aux fournisseurs de modèles d'IA à usage général (AI Act, article 53).

Artículos de la Ley de IA : Article 53

Modèle et fournisseur

Nom du modèle d'IA à usage général, version, fournisseur.

Types de données

Textes, code, images, sons… et leur part approximative.

Principales sources

Grandes catégories de sources (sites web publics, données sous licence, données d'utilisateurs, données synthétiques).

Période de collecte

Dates de début et de fin de la collecte.

Respect du droit d'auteur

Comment les réserves de droits (opt-out) ont été prises en compte lors de la collecte.

Traitements appliqués

Filtrage, dédoublonnage, retrait de données personnelles ou de contenus illicites.

Langues

Principales langues représentées.

Coste estimado

Tokens de entrada por llamada : ≈ 340

Solo coste de entrada, sin la respuesta del modelo. Precios públicos estándar de los proveedores (Mistral AI, DeepSeek, OpenAI, Anthropic) convertidos de USD a euros al tipo del BCE del 29 de septiembre de 2026. Estimación: 1 token ≈ 3,6 caracteres.

Identificador

contextetech--resume-donnees-entrainement

Tipo

Expedientes AI Act

Archivo

resume-donnees-entrainement.md

Formato

MD

Tamaño

852 bytes

Codificación

UTF-8

Tokens estimados

≈ 227

Idioma

Francés

Licencia

MIT

Uso comercial

Permitido

Datos personales

Ninguno

Versión

1.0

Publicado el

1 de octubre de 2026 a las 18:55

Actualizado el

1 de octubre de 2026 a las 18:55

Almacenamiento

en base de datos

Usos

0

Me gusta

0

resume-donnees-entrainement.md

# Résumé des données d'entraînement (AI Act)

Trame du résumé des contenus d'entraînement demandé aux fournisseurs de modèles d'IA à usage général (AI Act, article 53).

## Modèle et fournisseur

Nom du modèle d'IA à usage général, version, fournisseur.

## Types de données

Textes, code, images, sons… et leur part approximative.

## Principales sources

Grandes catégories de sources (sites web publics, données sous licence, données d'utilisateurs, données synthétiques).

## Période de collecte

Dates de début et de fin de la collecte.

## Respect du droit d'auteur

Comment les réserves de droits (opt-out) ont été prises en compte lors de la collecte.

## Traitements appliqués

Filtrage, dédoublonnage, retrait de données personnelles ou de contenus illicites.

## Langues

Principales langues représentées.

PEFT / Transformers

from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "undefined", device_map="auto")

config = LoraConfig(
    r=undefined, lora_alpha=undefined, lora_dropout=undefined,
    target_modules=[],
    task_type="CAUSAL_LM",
)
model = get_peft_model(model, config)
model.print_trainable_parameters()
# lr=undefined, epochs=undefined, batch=undefined, grad_acc=undefined, max_seq_len=undefined