Finetuning er et lille skub oven på en enorm model
En sprogmodel kommer allerede færdigtrænet til dig. Fortræningen læste et korpus på billioner af tokens; Meta rapporterede mere end 15 billioner for Llama 3. Efterfølgende træning coachede den derefter til at blive en assistent. Hvad er en LLM dækker begge trin.
Finetuning er et tredje, langt mindre trin, som du selv kører. Du giver modellen et par hundrede til et par tusind eksempler på det præcise input og output du ønsker, og træner den lidt mere på dem. OpenAIs guide til finetuning siger, at tydelige forbedringer typisk ses fra 50 til 100 eksempler. Parametrene skifter en smule, så modellen som standard producerer din type svar.
Skalaforskellen er hele pointen. Femten billioner tokens mod et par hundrede eksempler: en finetune kan ikke tilføje nævneværdig viden, for der er ikke nok af den til at rykke på det modellen ved. Det den kan gøre, er at rykke på hvordan modellen svarer, fordi et konsekvent format gentaget et par hundrede gange er præcis det slags mønster et lille skub fanger.
Finetuning ændrer hvordan en model svarer, aldrig hvad den ved
Skillelinjen er adfærd over for viden.
| Du vil have modellen til at... | Finetuning | Hvad der faktisk virker |
|---|---|---|
| Altid svare i din husstil eller tone | Ja, det er kerneanvendelsen | Finetune, eller en stærk systemprompt med eksempler |
| Altid returnere et bestemt format (JSON, en fast skabelon) | Ja | Finetune for pålidelighed i stor skala; en prompt til lejlighedsvis brug |
| Følge en lang liste af regler uden at blive mindet om dem | Ja | Finetune; reglerne flytter fra prompten ind i vægtene |
| Kende dit produkt, priser, politikker | Nej | Retrieval: giv den dokumenterne på svartidspunktet |
| Kende noget der ændrede sig efter træningen | Nej | Websøgning eller retrieval |
| Ræsonnere bedre om svære problemer | Nej | En reasoning-model eller en større model |
Fejlen folk begår, er den fjerde række. De finetuner på deres hjælpecenter i forventning om en model der kender deres produkt. De får en model der skriver i hjælpecenterets stemme og opfinder produktfakta flydende, fordi træningen lærte den svarenes form, ikke deres indhold. Vidensopgaven hører til hos retrieval, og hvad er RAG forklarer hvordan det virker.
Hvorfor finetuning bevidst gøres på billige modeller
Ingen finetuner den dyreste model i en familie til en snæver opgave. Pointen er at få en lille, billig model til at gøre én ting lige så godt som frontmodellen gør det med en lang prompt, og så køre den billige model millioner af gange.
Tallene over hver ende er Artificial Analysis Intelligence Index-scorer, aflæst 2026-09-17, og linjen er prisgabet pr. million tokens. En generel Llama 4 Maverick scorer 9 mod Claude Sonnet 5 på 38; væddemålet ved en finetune er, at de 29 point på én snæver opgave kan lukkes for en 127-dobbelt besparelse. Til OpenRouters listepriser hentet 2026-08-20 koster et standardsvar på 1.000 tokens ind og 500 ud $0.0006 på Maverick og $0.007 på Sonnet 5, ifølge AI-modellernes prisindeks, så en supportklassifikator der kører 100.000 gange om måneden koster $60 på den første og $700 på den anden. Hvis den tunede Maverick matcher Sonnet på den ene opgave, tjener tuningen sig selv hjem den første måned. Det er dette regnestykke, ikke modelkvalitet generelt, finetuning findes for.
Metoden der gjorde dette billigt er LoRA, udgivet i 2021, som træner et lille sæt tilføjede parametre frem for hele modellen. Med sin 4-bit efterfølger QLoRA (Dettmers et al., 2023) kan en model med 7 milliarder parametre tunes på et enkelt 24 GB forbrugergrafikkort. Fuld finetuning af samme model betyder at opdatere hver eneste parameter på tværs af flere datacenter-GPU'er.
En prompt, retrieval eller en anden model løser de fleste tilfælde før nogen træning
Finetuning er den sidste udvej, ikke den første, fordi hver af disse løser de almindelige tilfælde for en brøkdel af indsatsen og kan ændres på et minut.
- En bedre prompt med eksempler. Tre eksempler på det output du ønsker inde i prompten giver det meste af format- og tonefordelen ved en finetune uden noget af træningen. Prompt engineering for begyndere gennemgår mønsteret.
- Retrieval. Hvis gabet er viden, lukker ingen mængde tuning det. Upload dokumenterne eller slå søgning til.
- En anden model. Modeller har forskellig standardstemme. En model der allerede skriver som du vil have det, slår at tune en der ikke gør; et flermodel-arbejdsområde gør dette til en test med ét klik.
Grib fat i finetuning når prompten er vokset til en side af regler modellen bliver ved med at glemme, når opgaven kører i et omfang hvor promptlængde er reelle penge, eller når du skal have et format leveret pålideligt ti tusind gange uden en eneste afvigelse. Det er reelle behov. De er også sjældne.
Kan du finetune inde i et chatprodukt?
Generelt nej, og Whizi er ingen undtagelse. Forbrugerorienterede chatprodukter, Whizi inklusive, tilbyder ikke finetuning; det er en udviklerfunktion på udbydernes API'er og åbne modeller. Det nærmeste inde i en chatapp er faste instrukser. I Whizi ligger de på et projekt: brugerdefinerede instrukser pr. projekt gælder for alle samtaler i det projekt, hvilket er sådan du får konsekvent tone og format på tværs af en samling arbejde uden at træne noget som helst. Sådan bruger du Projekter forklarer opsætningen.
Det er den rigtige aftale for de fleste. En projektinstruks er en prompt du skriver én gang og redigerer når reglerne ændrer sig. En finetune er en model du gentræner når reglerne ændrer sig. For alle der ikke kører en snæver opgave i stor skala, vinder prompten på pris, ændringshastighed og det faktum at du kan læse den.
Beslutningsreglen: finetune når samme snævre opgave kører i et omfang hvor det betyder noget at en billig model betaler sig selv hjem. Alle andre steder, skriv instruksen ned.
- Afgør om gabet er adfærd eller viden; finetuning løser kun det første
- Prøv en prompt med tre eksempler før nogen træning
- Brug retrieval eller websøgning til fakta, priser og alt der ændrer sig
- Test en anden model først; en af dem skriver måske allerede som du vil have det
- Finetune en billig model til en snæver opgave i stort omfang, og mål den mod frontmodellen på den opgave
Ofte stillede spørgsmål
Hvad betyder det at finetune en AI-model?
Det betyder at træne en allerede færdigtrænet model lidt mere på dine egne eksempler, typisk et par hundrede til et par tusind input-output-par, så den som standard antager en stil, et format eller et sæt regler. Det er en lille justering oven på fortræningen der læste billioner af tokens, hvilket er hvorfor det former adfærd frem for at tilføje viden.
Finetuning eller RAG: hvad skal jeg bruge?
Finetuning til hvordan modellen svarer: tone, format, følge et langt regelsæt. RAG til hvad den ved: dine dokumenter og alt der ændrer sig. De løser forskellige problemer, og produktionssystemer bruger ofte begge. Hvis dit gab er fakta, lukker finetuning det ikke; modellen vil lyde rigtig og tage fejl.
Hvor mange eksempler skal du bruge for at finetune en model?
OpenAIs guide til finetuning siger, at tydelige forbedringer typisk ses fra 50 til 100 veludformede eksempler, og at kvalitet betyder mere end antal. Et par hundrede er en almindelig arbejdsstørrelse; tusindvis hjælper til opgaver med mange forskellige tilfælde.
Hvad koster finetuning?
Selve træningskørslen er som regel den lille del; pointen er besparelsen pr. svar bagefter. Til OpenRouters listepriser hentet 2026-08-20 koster et standardsvar $0.0006 på Llama 4 Maverick og $0.007 på Claude Sonnet 5, så en opgave der kører 100.000 gange om måneden koster $60 mod $700. En finetune der får den billige model til at matche den dyre på den opgave, tjener sig selv hjem den første måned.
Kan jeg finetune ChatGPT eller Claude?
Ikke forbrugerapps. Finetuning tilbydes på udbydernes API'er for nogle modeller og på åbne modeller du selv kører. Inde i et chatprodukt er det tilsvarende en fast instruks: ChatGPTs brugerdefinerede instrukser, eller en projektinstruks i Whizi der gælder for alle samtaler i det projekt.
