t2a-finetune

Files

dom 06100df236 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>

2026-02-16 19:42:33 +01:00

01_generate_cim10_pairs.py

feat: rééquilibrage dataset LoRA — raisonnement DIM vs mémorisation

2026-02-16 19:42:33 +01:00

02_generate_ccam_pairs.py

feat: rééquilibrage dataset LoRA — raisonnement DIM vs mémorisation

2026-02-16 19:42:33 +01:00

03_convert_cache.py

feat: rééquilibrage dataset LoRA — raisonnement DIM vs mémorisation

2026-02-16 19:42:33 +01:00

04_build_dataset.py

feat: rééquilibrage dataset LoRA — raisonnement DIM vs mémorisation