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).

Articoli dell'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.

Costo stimato

Token di input per chiamata : ≈ 340

Solo costo di input, esclusa la risposta del modello. Prezzi pubblici standard dei fornitori (Mistral AI, DeepSeek, OpenAI, Anthropic) convertiti da USD in euro al cambio BCE del 29 settembre 2026. Stima: 1 token ≈ 3,6 caratteri.

Identificativo

contextetech--resume-donnees-entrainement

Tipo

Dossier AI Act

File

resume-donnees-entrainement.md

Formato

MD

Dimensione

852 byte

Codifica

UTF-8

Token stimati

≈ 227

Lingua

Francese

Licenza

MIT

Uso commerciale

Consentito

Dati personali

Nessuno

Versione

1.0

Pubblicato il

1 ottobre 2026 alle ore 18:55

Aggiornato il

1 ottobre 2026 alle ore 18:55

Archiviazione

nel database

Utilizzi

0

Mi piace

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