m365-expert-v3 — Expert Microsoft 365 Fine-tuné

Le premier modèle LLM open-source spécialisé dans l'administration Microsoft 365

🏆 92.7% sur un benchmark exhaustif de 166 questions | 20 catégories M365

Description / Overview

Français

m365-expert-v3 est un modèle de langage fine-tuné sur Qwen3-8B, spécialisé dans l'administration Microsoft 365. Il couvre l'ensemble de l'écosystème M365 : Microsoft Graph API, PowerShell (Microsoft.Graph, Exchange Online, PnP, Teams), Microsoft Entra ID, SharePoint, Intune, et la sécurité M365.

Le modèle a été entraîné avec QLoRA sur un dataset de 40 962 exemples couvrant les commandes les plus récentes, les dépréciations, les migrations AzureAD vers Microsoft Graph, et les bonnes pratiques d'administration.

English

m365-expert-v3 is a fine-tuned language model based on Qwen3-8B, specialized in Microsoft 365 administration. It covers the entire M365 ecosystem: Microsoft Graph API, PowerShell (Microsoft.Graph, Exchange Online, PnP, Teams), Microsoft Entra ID, SharePoint, Intune, and M365 security.

The model was trained using QLoRA on a dataset of 40,962 examples covering the latest commands, deprecations, AzureAD to Microsoft Graph migrations, and administration best practices.

Résultats de benchmark / Benchmark Results

Benchmark exhaustif — 166 questions, 20 catégories

Catégorie / Category	N	Score
1. Migration AzureAD → Graph	14	92.9%
2. Commandes Graph PS récentes	15	96.0%
3. API REST Graph endpoints	13	92.3%
4. Dépréciations récentes	10	100.0%
5. Exchange Online PowerShell	13	90.8%
6. PnP PowerShell & SharePoint	10	88.0%
7. Permissions & Scopes Graph	13	96.9%
8. Teams & Collaboration	9	95.6%
9. Intune & Device Management	7	94.3%
10. Sécurité & Conditional Access	8	90.0%
11. OneDrive & Files Graph API	8	80.0%
12. SharePoint Sites Graph API	6	93.3%
13. Mail & Calendar Graph API	8	92.5%
14. Gestion utilisateurs avancée	8	90.0%
15. Groupes & membres Graph	5	92.0%
16. Rapports & Audit Graph	5	92.0%
17. Sécurité & Compliance avancée	6	93.3%
18. Webhooks & Subscriptions	2	100.0%
19. Batch & Performances	3	100.0%
20. Planner & OneNote Graph	3	80.0%
TOTAL	166	92.7%

Comparaison avec des modèles généralistes / Comparison with generic models

Modèle / Model	Taille / Size	Fine-tuning	Score
m365-expert-v3 (ce modèle)	4.7 GB	QLoRA 12h	92.7%
Gemma3 12B (généraliste)	8.1 GB	Non	95.7%
Gemma3 4B (généraliste + prompt)	3.3 GB	Non	92.3%
StarCoder2 7B	4.0 GB	Non	67.6%

Note : Les modèles Gemma bénéficient du system prompt M365 optimisé et du post-processing. Ce modèle fine-tuné contient cette expertise directement dans ses poids, sans dépendance au prompt engineering.

Détails du fine-tuning / Fine-tuning Details

Architecture et paramètres / Architecture and parameters

Paramètre / Parameter	Valeur / Value
Modèle de base / Base model	Qwen3-8B
Méthode / Method	QLoRA (4-bit)
Framework	Unsloth + TRL
GPU	NVIDIA RTX 3090 (24 GB VRAM)
Durée / Duration	~12 heures / hours
Étapes / Steps	4 610
Époques / Epochs	2

Hyperparamètres / Hyperparameters

Paramètre / Parameter	Valeur / Value
Learning Rate	5e-5
LR Scheduler	Cosine
Warmup Ratio	0.05
Batch Size	1 (gradient accumulation: 16)
Max Sequence Length	4 096 tokens
Optimizer	AdamW 8-bit
Weight Decay	0.01
Max Gradient Norm	1.0
Seed	42

Paramètres LoRA / LoRA Parameters

Paramètre / Parameter	Valeur / Value
LoRA Rank (r)	64
LoRA Alpha	128
LoRA Dropout	0.05
Target Modules	q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Bias	none

Métriques d'entraînement / Training Metrics

Étape / Step	Train Loss	Eval Loss
50	1.790	—
500	0.280	0.225
1 000	0.244	0.202
2 000	0.219	0.176
3 000	0.171	0.163
4 000	0.173	0.156
4 610 (final)	0.168	0.155

Dataset

Statistiques / Statistics

Propriété / Property	Valeur / Value
Total exemples / Total examples	40 962
Entraînement / Training	36 865 (90%)
Évaluation / Evaluation	4 097 (10%)
Format	ChatML
Paires de renforcement / Reinforcement pairs	156 (52 uniques x3 oversampling)
Langue / Language	Français (code en anglais)

Sujets couverts / Topics covered

Microsoft Graph API : endpoints REST, query parameters, pagination, batch requests
PowerShell Microsoft.Graph : Get-MgUser, New-MgGroup, Connect-MgGraph, Invoke-MgGraphRequest...
Exchange Online : Get-Mailbox, Get-EXOMailbox, transport rules, anti-phishing, compliance search
PnP PowerShell : Connect-PnPOnline, site management, permissions, templates
Microsoft Entra ID : migration AzureAD → Graph, conditional access, identity protection
SharePoint Online : sites, drives, lists, permissions via Graph API
Microsoft Teams : création d'équipes, canaux, messages, archivage via Graph
Intune : device management, compliance policies, app deployment
Sécurité : alertes, risky users, eDiscovery, DLP, sensitivity labels
OneDrive : files, sharing links, permissions via Graph API
Rapports : audit logs, sign-ins, usage reports via Graph

Utilisation / Usage

Avec Ollama / With Ollama

Télécharger le fichier GGUF (m365-expert-v3-Q4_K_M.gguf) et le Modelfile
Créer le modèle :

ollama create m365-expert-v3 -f Modelfile

Utiliser :

ollama run m365-expert-v3 "Quel cmdlet Graph remplace Get-AzureADUser ?"

Avec Transformers (Python)

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "AYI-NEDJIMI/m365-expert-v3"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")

messages = [
    {"role": "system", "content": "Tu es un expert en administration Microsoft 365."},
    {"role": "user", "content": "Comment migrer de Get-AzureADUser vers Microsoft Graph ?"}
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512, temperature=0.3)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

System Prompt recommandé / Recommended System Prompt

Tu es un expert en administration Microsoft 365. Tu maîtrises parfaitement Microsoft Graph API,
PowerShell (Microsoft.Graph, Exchange Online, PnP, Teams), Microsoft Entra ID, SharePoint,
Intune, et la sécurité M365.
Règles OBLIGATOIRES :
1. Le service Azure AD s'appelle désormais « Microsoft Entra ID ». Utilise ce nom dans tes
   explications. ATTENTION : les noms de cmdlets PowerShell (Get-AzureADUser, Connect-AzureAD,
   etc.) et de modules (AzureAD, MSOnline) ne changent PAS.
2. Inclus TOUJOURS un bloc de code powershell ou http avec des exemples concrets.
3. Réponds en français avec des phrases complètes. Le code et les noms techniques restent
   en anglais.

Exemples de réponses / Example responses

Question : Quel cmdlet Graph remplace Get-AzureADUser ?

Le cmdlet Get-AzureADUser du module AzureAD (déprécié depuis mars 2024) est remplacé par Get-MgUser du SDK Microsoft Graph PowerShell.

Voici comment effectuer la migration :
# Ancien (module AzureAD — déprécié)
Connect-AzureAD
Get-AzureADUser -All $true

# Nouveau (module Microsoft.Graph — recommandé)
Connect-MgGraph -Scopes 'User.Read.All'
Get-MgUser -All
Les permissions requises sont User.Read.All ou Directory.Read.All.

Question : Comment créer une politique d'accès conditionnel via Graph ?

Pour créer une politique d'accès conditionnel dans Microsoft Entra ID via l'API Microsoft Graph :
POST https://graph.microsoft.com/v1.0/identity/conditionalAccess/policies
Content-Type: application/json

{
  "displayName": "Block Legacy Auth",
  "state": "enabled",
  "conditions": { ... },
  "grantControls": { ... }
}
New-MgIdentityConditionalAccessPolicy -DisplayName "Block Legacy Auth" ...
Permission requise : Policy.ReadWrite.ConditionalAccess

Quantification / Quantization

Format	Taille / Size	Qualité / Quality	Usage recommandé
Q4_K_M (GGUF)	4.7 GB	Très bon	Ollama Desktop, llama.cpp
Full (safetensors)	~16 GB	Maximum	Transformers, vLLM

Limitations

Français

Le modèle est optimisé pour le français. Les réponses en anglais sont possibles mais moins naturelles.
Les connaissances sont basées sur les données disponibles jusqu'à février 2025.
Certaines commandes très récentes ou en preview peuvent ne pas être couvertes.
Le modèle peut occasionnellement halluciner des noms de cmdlets ou d'endpoints.

English

The model is optimized for French. English responses are possible but less natural.
Knowledge is based on data available up to February 2025.
Some very recent or preview commands may not be covered.
The model may occasionally hallucinate cmdlet names or endpoints.

Citation

@misc{m365-expert-v3-2026,
  title={m365-expert-v3: A Fine-tuned LLM for Microsoft 365 Administration},
  author={AYI-NEDJIMI},
  year={2026},
  url={https://huggingface.co/AYI-NEDJIMI/m365-expert-v3}
}

🛠️ Outils GitHub Associés / Related GitHub Tools

Découvrez la suite complète d'outils IA cybersécurité :

Outil	Description	Lien
🎯 ThreatIntel-GPT	Analyse de Threat Intelligence avec IA	GitHub
🔍 VulnScanner-LLM	Scanner de vulnérabilités avec LLM	GitHub
🎣 PhishingDetector-AI	Détection de phishing avec BERT	GitHub
🚨 SOC-Assistant	Assistant SOC avec RAG	GitHub
🔎 CVE-Explorer-AI	Recherche sémantique de CVE	GitHub
⚡ CUDAEmbeddings	Embeddings GPU ultra-rapides	GitHub
📊 ModelBench	Benchmark de LLM sur GPU	GitHub
🏗️ DatasetForge	Pipeline de création de datasets	GitHub
🗡️ ADBloodHound-AI	Analyse AD avec IA	GitHub
🎯 YaraGen-AI	Générateur de règles YARA	GitHub
🔎 KQLHunter	Générateur de requêtes KQL	GitHub
🔐 HashCracker-GPU	Cracking de hashes sur GPU	GitHub
📡 PacketSniffer-AI	Analyse réseau avec ML	GitHub