Qu’est-ce que Oumi ?
Oumi est une bibliothèque Python open source qui couvre tout le cycle de post-entraînement des modèles ouverts : synthétiser et trier des données avec des juges LLM, entraîner, évaluer sur des benchmarks ou avec des juges à grille, et exécuter l'inférence. Une recette YAML pilote chaque étape via les commandes `oumi train`, `oumi evaluate`, `oumi infer` et `oumi launch`, et le README revendique la prise en charge de modèles de 10M à 400B+ paramètres, texte et multimodaux, dont Llama, Gemma, Qwen, DeepSeek, GLM et Phi.
Les méthodes d'entraînement comprennent SFT, LoRA, QLoRA, DPO, KTO et GRPO, avec FSDP, DeepSpeed et DDP pour passer à l'échelle. La version 0.9, publiée le 16 septembre 2026, l'a tournée vers les agents : SFT et DPO avec appels d'outils, environnements d'outils exécutables adossés à des bases de données, des endpoints HTTP, des tables de correspondance ou un modèle simulateur, GRPO sur ces environnements via verl, et un RubricJudge multicritère.
L'inférence tourne en local sur vLLM ou SGLang, ou à distance chez OpenAI, Anthropic, Vertex AI, Together, Fireworks et d'autres ; `oumi deploy` crée des endpoints dédiés chez Fireworks et Parasail, et un serveur `oumi-mcp` permet à Claude ou Cursor de la piloter. Les tâches se lancent sur AWS, Azure, GCP, Lambda, Modal ou Slurm. Elle demande Python 3.10 à 3.14 et est maintenue par Oumi PBC, dont la plateforme payante exécute les mêmes recettes.
Oumi vaut-il le coup ?
L'argument d'Oumi, c'est l'étendue. Là où Axolotl et Unsloth se concentrent sur l'entraînement lui-même, Oumi génère et filtre aussi les données, note le résultat avec des juges LLM et sert le modèle, le tout dans le même format de recette YAML et avec une seule CLI. C'est donc le choix naturel quand le goulot d'étranglement est le cycle autour de l'entraînement plutôt que l'entraînement.
La version 0.9, publiée le 16 septembre 2026, est la raison de s'y intéresser maintenant. Elle ajoute SFT et DPO avec appels d'outils, des environnements où les appels d'outils s'exécutent réellement contre une session de base de données (annulée après chaque épisode), un endpoint HTTP ou une table de correspondance déterministe, et GRPO sur n'importe lequel de ces environnements via verl. Peu de bibliothèques ouvertes réunissent au même endroit synthèse de données pour agents, environnement exécutable et apprentissage par renforcement.
L'adoption est modérée. Avec 9 437 étoiles sur GitHub, elle reste derrière Axolotl (12 728) et Hugging Face TRL (19 744), sur laquelle elle s'appuie en partie, et le README qualifie encore le projet de bêta en prévenant que les fonctions avancées peuvent changer. Les versions arrivent à peu près tous les quatre mois : v0.7 en janvier, v0.8 en mai et v0.9 en septembre 2026. Tickets et pull requests ouverts totalisent 26, un petit arriéré pour un projet aussi large.
Deux réglages par défaut méritent l'attention. Les statistiques d'usage anonymes sont actives sauf si vous définissez DO_NOT_TRACK=1 ou modifiez ~/.oumi/telemetry.json ; selon la documentation, elles couvrent commandes, matériel, versions de paquets et traces de pile, jamais les données d'entraînement, les poids ni les chemins de fichiers. Et la bibliothèque est le cœur ouvert d'une plateforme commerciale : l'agent FAiE qui planifie les exécutions à votre place, les GPU gérés et les endpoints hébergés se trouvent du côté payant.
Là où il fait la différence
Un ingénieur ML dans une société SaaS de 25 personnes dotée d'un agent qui oriente les tickets
Apprendre à un petit modèle ouvert à bien appeler nos outils internes
Synthétisez des conversations multitours avec outils, lancez un SFT avec appels d'outils puis un GRPO contre un EndpointEnvironment qui interroge une API de préproduction, noté par un RubricJudge. La bibliothèque est gratuite ; le coût, ce sont les heures GPU dans le cloud ciblé par `oumi launch`.
Un laboratoire universitaire qui compare des modèles vision-langage
Affiner et évaluer plusieurs VLM ouverts avec le même format de recette
Partez des recettes fournies pour Qwen, Gemma ou InternVL, lancez `oumi train` et `oumi evaluate` sur un cluster Slurm et gardez chaque YAML à côté des résultats pour la reproductibilité. Définissez DO_NOT_TRACK=1 sur les machines partagées.
Une équipe data d'un site de e-commerce qui nettoie des données d'entraînement tirées de fiches produit
Filtrer des milliers d'exemples bruités avant le fine-tuning
Utilisez les juges LLM intégrés, avec un modèle vLLM local ou une clé d'API commerciale, pour noter et écarter les lignes faibles, et `infer_partial()` pour conserver les résultats partiels si un long lot échoue à mi-parcours.
Avant de vous engager
- Mise en route
- `uv pip install oumi` (ou `oumi[gpu]`), l'image Docker ghcr.io/oumi-ai/oumi ou un script d'installation expérimental ; le démarrage rapide entraîne une recette SmolLM de 135M en une seule commande `oumi train`, et des notebooks Colab couvrent LoRA, distillation, GRPO et juges.
- Intégrations
- Modèles et jeux de données Hugging Face ; vLLM, SGLang et moteurs distants pour OpenAI, Anthropic, Vertex AI, Together, Fireworks, Parasail et OpenRouter ; verl pour le RL ; `oumi launch` pour AWS, Azure, GCP, Lambda, Modal et Slurm ; `oumi deploy` vers Fireworks et Parasail ; `oumi-mcp` pour Claude et Cursor.
- Données et confidentialité
- Tourne sur votre matériel ou votre compte cloud. La télémétrie anonyme (commandes, matériel, versions, traces de pile) est active par défaut ; DO_NOT_TRACK=1 la coupe. Les données envoyées aux moteurs d'inférence distants suivent les conditions du fournisseur concerné. Apache 2.0 autorise l'usage commercial ; les licences des modèles de base s'appliquent toujours.
- Coût à grande échelle
- La bibliothèque est gratuite ; la facture, c'est le temps GPU. Oumi ne publie pas de table de VRAM, dimensionnez donc les tâches avec un essai ; la plateforme hébergée de l'entreprise est la voie payante si vous voulez des GPU gérés.
- Limites
- Statut bêta ; Python 3.10 à 3.14 et PyTorch sous 2.13 ; les très gros modèles exigent des configurations multinœuds FSDP ou DeepSpeed que vous montez vous-même.
Les points forts
- Synthèse de données, entraînement, juges, évaluation et service dans un même format de recette
- SFT avec appels d'outils, environnements exécutables et GRPO via verl depuis la v0.9
- Se lance sur AWS, Azure, GCP, Lambda, Modal et Slurm
- Apache 2.0, avec un serveur oumi-mcp pour Claude et Cursor
Les points faibles
- Étiquetée bêta ; les API avancées peuvent changer
- Télémétrie anonyme active par défaut
- Moins d'étoiles et de recettes communautaires qu'Axolotl ou TRL
- L'étendue implique beaucoup de dépendances, verrouillées sur PyTorch sous 2.13
Idéal pour
Les ingénieurs ML qui veulent une seule boîte à outils ouverte pour les données synthétiques, le fine-tuning, les juges et le service, surtout pour des modèles qui utilisent des outils.
Alternatives à Oumi
Oumi : questions fréquentes
- Oumi vaut-il le coup ?
- Oumi couvre tout le cycle autour d'un fine-tuning, des données synthétiques à un endpoint en service, et depuis la v0.9 elle sait entraîner de bout en bout des agents qui utilisent des outils ; elle reste étiquetée bêta. Nous lui donnons 4.0 sur 5.
- Combien coûte Oumi ?
- Gratuite et open source sous licence Apache 2.0. La plateforme hébergée d'Oumi, qui exécute les mêmes recettes, est un produit payant distinct.
- Quels sont les inconvénients de Oumi ?
- Étiquetée bêta ; les API avancées peuvent changer; télémétrie anonyme active par défaut; moins d'étoiles et de recettes communautaires qu'Axolotl ou TRL; l'étendue implique beaucoup de dépendances, verrouillées sur PyTorch sous 2.13.
- À qui s’adresse Oumi ?
- Les ingénieurs ML qui veulent une seule boîte à outils ouverte pour les données synthétiques, le fine-tuning, les juges et le service, surtout pour des modèles qui utilisent des outils.
- Combien coûte Oumi pour une équipe ou en production ?
- La bibliothèque est gratuite ; la facture, c'est le temps GPU. Oumi ne publie pas de table de VRAM, dimensionnez donc les tâches avec un essai ; la plateforme hébergée de l'entreprise est la voie payante si vous voulez des GPU gérés.
- Oumi est-il sûr pour les données de l’entreprise ?
- Tourne sur votre matériel ou votre compte cloud. La télémétrie anonyme (commandes, matériel, versions, traces de pile) est active par défaut ; DO_NOT_TRACK=1 la coupe. Les données envoyées aux moteurs d'inférence distants suivent les conditions du fournisseur concerné. Apache 2.0 autorise l'usage commercial ; les licences des modèles de base s'appliquent toujours.
- Quelles sont les meilleures alternatives à Oumi ?
- Les alternatives les plus proches que nous avons testées sont Axolotl, TRL, Unsloth et LlamaFactory.
Réponses vérifiées le 16 nov. 2026.