feat: rééquilibrage dataset LoRA — raisonnement DIM vs mémorisation

Passe de 95/3/2 (lookups/raisonnement/règles) à ~31/49/20.
Dataset cible ~16K exemples denses (vs 66K de lookups avant).

Modifiés :
- 03_convert_cache.py : cache complet 1840 entrées (actuel + backup)
- 04_build_dataset.py : subsampling agressif (CIM-10 1.5K, CCAM 1.5K,
  CoCoA 2K) + sélection intelligente priorisant le raisonnement
- 12_generate_pipeline_examples.py : 3 templates (court + long + CPAM),
  cache actuel, cible ~2800 exemples

Créés :
- 13_generate_fascicule_reasoning.py : parsing 10 fascicules ATIH,
  génération Q&A raisonnement via Claude Opus 4.6 (~450 exemples)
- 14_generate_negative_examples.py : 1000 exemples négatifs
  (symptômes/DP, redondances sémantiques, DAS non significatifs)
- 15_generate_discrimination.py : 800 exercices de discrimination
  entre codes siblings CIM-10 via Claude Opus 4.6
- 16_parse_guide_metho.py : extraction Guide Méthodologique MCO 2026,
  Q&A directes + raisonnement via Claude Opus 4.6 (~500 exemples)

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

runpod/README.md

@@ -0,0 +1,64 @@
+# Fine-tuning pmsi-coder sur RunPod
+
+## 1. Créer un pod
+
+- **Template** : RunPod PyTorch 2.4+ (CUDA 12.x)
+- **GPU recommandé** : A100 40GB (~1.50€/h) ou A100 80GB (~2.50€/h)
+- **Disk** : 50 Go minimum (modèle 12B + dataset + GGUF)
+- **Volume persistant** : optionnel, utile si on veut garder les checkpoints
+
+## 2. Upload des fichiers
+
+```bash
+# Depuis la machine locale
+rsync -avz --progress \
+  runpod/ \
+  root@RUNPOD_IP:/workspace/t2a-finetune/
+
+# Ou via l'interface web RunPod (Jupyter → upload)
+```
+
+Les fichiers nécessaires :
+- `train_runpod.py` — script d'entraînement
+- `setup.sh` — installation des dépendances
+- `data/pmsi_train.jsonl` — dataset train (38 Mo)
+- `data/pmsi_eval.jsonl` — dataset eval (4.2 Mo)
+
+## 3. Setup
+
+```bash
+cd /workspace/t2a-finetune
+bash setup.sh
+```
+
+## 4. Lancer l'entraînement
+
+```bash
+python train_runpod.py --epochs 3 --export-gguf
+```
+
+Options :
+- `--max-seq-length 2048` (défaut, vs 512 en local)
+- `--batch 0` (auto-detect selon VRAM, défaut)
+- `--lr 2e-4` (learning rate)
+- `--lora-r 32` (rang LoRA)
+- `--export-gguf` (produire le .gguf pour Ollama)
+
+## 5. Récupérer le GGUF
+
+```bash
+# Sur la machine locale
+scp root@RUNPOD_IP:/workspace/t2a-finetune/models/pmsi-gguf/*.gguf .
+scp root@RUNPOD_IP:/workspace/t2a-finetune/models/pmsi-gguf/Modelfile .
+
+# Importer dans Ollama
+ollama create pmsi-coder -f Modelfile
+```
+
+## Estimations
+
+| GPU | Batch | Temps 3 epochs | Coût |
+|-----|-------|----------------|------|
+| A100 40GB | 4 | ~2-3h | ~4-5€ |
+| A100 80GB | 8 | ~1.5-2h | ~4-5€ |
+| H100 80GB | 8 | ~1-1.5h | ~4-5€ |