Le format JSONL du réglage supervisé Gemini

Une ligne = un exemple

Le JSONL (JSON Lines) est un fichier texte où chaque ligne est un objet JSON complet. Pour le réglage supervisé de Gemini, chaque ligne contient :

Chaque message a un role (user ou model) et une liste parts ; pour du texte, une part est {"text": "..."}. Le dernier message model est ce que le modèle doit apprendre à produire.

flowchart TD
  L["Une ligne JSON"] --> S["systemInstruction.parts : consigne"]
  L --> C["contents"]
  C --> U["role user : le ticket"]
  C --> M["role model : l'étiquette attendue"]

Le lab fabrique les lignes avec une seule fonction :

def to_example(ticket: str, label: str) -> dict:
    """Une ligne du JSONL de réglage supervisé Gemini sur Vertex AI."""
    return {
        "systemInstruction": {"parts": [{"text": SYSTEM}]},
        "contents": [
            {"role": "user", "parts": [{"text": ticket}]},
            {"role": "model", "parts": [{"text": label}]},
        ],
    }

Une vraie ligne du train.jsonl généré (mise en forme sur plusieurs lignes pour la lecture) :

{"systemInstruction": {"parts": [{"text": "Tu classes les tickets du support client d'un logiciel de gestion en ligne. Réponds UNIQUEMENT par une étiquette parmi : facturation, acces_compte, bug_technique, demande_fonctionnalite, resiliation."}]},
 "contents": [{"role": "user", "parts": [{"text": "Bonjour, serait-il envisageable d'ajouter un export comptable direct vers le format Sage ? ..."}]},
              {"role": "model", "parts": [{"text": "demande_fonctionnalite"}]}]}

Les limites documentées

Relevées le 2026-10-15 dans la documentation Vertex AI (Gemini 3.5 Flash, 3.1 Flash-Lite, et valeurs proches pour la famille 2.5) :

Les fichiers doivent être déposés dans un bucket Cloud Storage (gs://...) avant le lancement.

Valider avant de payer

Un job de réglage met du temps à démarrer ; une erreur de format découverte au bout de 20 minutes coûte cher en temps. validate_jsonl.py vérifie chaque ligne localement :

    if contents[-1].get("role") != "model":
        errs.append("le dernier message doit être la réponse attendue (role 'model')")
    elif labels:
        answer = contents[-1].get("parts", [{}])[0].get("text", "")
        if answer not in labels:
            errs.append(f"réponse attendue hors étiquettes : {answer!r}")

Il contrôle aussi : JSON valide, champs inconnus, rôles autorisés, parts vides, deux messages du même rôle d'affilée, estimation de tokens, doublons, et fuites entre fichiers (un même ticket dans train et test). Il renvoie le code de sortie 1 en cas d'erreur : on peut l'appeler en CI.

Exercice : réparer un fichier

Créez un fichier casse.jsonl avec deux lignes valides du train, une ligne au format messages, une ligne dont la réponse est Facturation et une copie d'une ligne de test. Lancez le validateur. Combien d'erreurs ? Comment corriger chacune ?

python validate_jsonl.py casse.jsonl

Résultat obtenu

Exécution réelle le 2026-10-15 sur les fichiers générés, puis sur le fichier cassé de l'exercice :

train.jsonl: {"exemples": 70, "par_etiquette": {"demande_fonctionnalite": 14, "resiliation": 14, "facturation": 14, "acces_compte": 14, "bug_technique": 14}, "tokens_estimes": 6620}
validation.jsonl: {"exemples": 15, ..., "tokens_estimes": 1478}
test.jsonl: {"exemples": 15, ..., "tokens_estimes": 1434}
OK : format valide

casse.jsonl: {"exemples": 3, "par_etiquette": {"demande_fonctionnalite": 1, "resiliation": 1, "facturation": 1}, "tokens_estimes": 329}
ERREUR casse.jsonl:3 champs inconnus : ['messages']
ERREUR casse.jsonl:3 contents manquant ou vide
ERREUR casse.jsonl:4 réponse attendue hors étiquettes : 'Facturation'
3 erreur(s)

Je sais faire

• Écrire une ligne JSONL systemInstruction / contents / parts valide
• Citer les principales limites d'un jeu de réglage Gemini
• Valider un fichier localement, y compris les étiquettes et les fuites
• Brancher la validation en CI grâce au code de sortie