Il fine tuning è una piccola spinta sopra un modello enorme
Un modello linguistico arriva già addestrato. Il pretraining ha letto un corpus di migliaia di miliardi di token; Meta ha dichiarato oltre 15.000 miliardi per Llama 3. Il post-training lo ha poi guidato a diventare un assistente. Cos'è un LLM copre entrambe le fasi.
Il fine tuning è una terza fase, molto più piccola, che gestisci tu. Dai al modello da poche centinaia a poche migliaia di esempi dell'input e dell'output esatti che vuoi, e lo addestri un po' di più su quelli. La guida al fine tuning di OpenAI dice che miglioramenti evidenti si vedono in genere già da 50 a 100 esempi. I parametri si spostano leggermente verso la produzione di default del tuo tipo di risposta.
La differenza di scala è tutta la storia. Quindicimila miliardi di token contro poche centinaia di esempi: il fine tuning non può aggiungere conoscenza significativa, perché non ce n'è abbastanza per spostare l'ago di ciò che il modello sa. Quello che può fare è spostare l'ago di come il modello risponde, perché un formato coerente ripetuto poche centinaia di volte è esattamente il tipo di schema che una piccola spinta riesce a catturare.
Il fine tuning cambia come un modello risponde, mai cosa sa
La linea da tracciare è comportamento contro conoscenza.
| Vuoi che il modello... | Fine tuning | Cosa funziona davvero |
|---|---|---|
| Risponda sempre nel tuo stile o tono aziendale | Sì, è l'uso principale | Fine tuning, oppure un prompt di sistema forte con esempi |
| Restituisca sempre un formato specifico (JSON, un modello fisso) | Sì | Fine tuning per affidabilità su larga scala; un prompt per uso occasionale |
| Segua un lungo elenco di regole senza bisogno di promemoria | Sì | Fine tuning; le regole passano dal prompt ai pesi |
| Conosca il tuo prodotto, i prezzi, le policy | No | Retrieval: forniscigli i documenti al momento della risposta |
| Conosca qualsiasi cosa cambiata dopo l'addestramento | No | Ricerca web o retrieval |
| Ragioni meglio su problemi difficili | No | Un modello di ragionamento o un modello più grande |
L'errore che le persone commettono è la quarta riga. Fanno fine tuning sul loro centro assistenza, aspettandosi un modello che conosca il loro prodotto. Ottengono un modello che scrive con la voce del centro assistenza e inventa i fatti sul prodotto con scioltezza, perché l'addestramento gli ha insegnato la forma delle risposte e non la sostanza. Il compito della conoscenza spetta al retrieval, e cos'è il RAG spiega come funziona.
Perché il fine tuning si fa apposta su modelli economici
Nessuno fa fine tuning sul modello più costoso di una famiglia per un compito ristretto. Il punto è far fare a un modello piccolo ed economico una cosa bene quanto la fa il modello di punta con un prompt lungo, e poi far girare quello economico milioni di volte.
I numeri sopra ogni estremo sono i punteggi Artificial Analysis Intelligence Index, letti il 2026-09-17, e la linea è il divario di prezzo per milione di token. Un Llama 4 Maverick generico ottiene 9 contro il 38 di Claude Sonnet 5; la scommessa di un fine tuning è che su un compito ristretto quei 29 punti possano essere colmati con un risparmio di 127 volte. Ai prezzi di listino OpenRouter rilevati il 2026-08-20, una risposta standard di 1.000 token in ingresso e 500 in uscita costa $0.0006 su Maverick e $0.007 su Sonnet 5, secondo l'indice dei costi dei modelli IA, quindi un classificatore per l'assistenza che gira 100.000 volte al mese costa $60 sul primo e $700 sul secondo. Se il Maverick ottimizzato eguaglia Sonnet su quel compito, l'ottimizzazione si ripaga nel primo mese. È questo calcolo, non la qualità del modello in generale, il vero scopo del fine tuning.
Il metodo che ha reso tutto questo economico è LoRA, pubblicato nel 2021, che addestra un piccolo insieme di parametri aggiunti anziché l'intero modello. Con il suo successore a 4 bit QLoRA (Dettmers et al., 2023), un modello da 7 miliardi di parametri si ottimizza su una singola scheda grafica consumer da 24 GB. Il fine tuning completo dello stesso modello significa aggiornare ogni parametro su più GPU da datacenter.
Un prompt, il retrieval o un modello diverso risolvono la maggior parte dei casi prima di qualsiasi addestramento
Il fine tuning è l'ultima opzione, non la prima, perché ciascuna di queste soluzioni risolve i casi comuni con una frazione dello sforzo e può essere cambiata in un minuto.
- Un prompt migliore con esempi. Tre esempi dell'output che vuoi all'interno del prompt ottengono gran parte del beneficio di formato e tono di un fine tuning senza alcun addestramento. Prompt engineering per principianti copre lo schema.
- Retrieval. Se il divario è di conoscenza, nessuna quantità di ottimizzazione lo colma. Carica i documenti o attiva la ricerca.
- Un modello diverso. I modelli differiscono nella voce di default. Un modello che scrive già come vuoi tu batte l'ottimizzazione di uno che non lo fa; uno spazio di lavoro multi-modello rende questo un test con un solo clic.
Ricorri al fine tuning quando il prompt è cresciuto fino a una pagina di regole che il modello continua a dimenticare, quando il compito gira a un volume in cui la lunghezza del prompt è denaro vero, oppure quando ti serve un formato restituito in modo affidabile diecimila volte senza una sola deviazione. Sono esigenze reali. Sono anche rare.
Si può fare fine tuning dentro un prodotto di chat?
In genere no, e Whizi non fa eccezione. I prodotti di chat per consumatori, Whizi incluso, non offrono il fine tuning; è una funzione per sviluppatori sulle API dei fornitori e sui modelli open-weight. La cosa più vicina dentro un'app di chat sono le istruzioni permanenti. In Whizi vivono su un progetto: le istruzioni personalizzate per progetto si applicano a ogni conversazione in quel progetto, ed è così che ottieni tono e formato coerenti su un corpo di lavoro senza addestrare nulla. Come usare i Progetti spiega la configurazione.
Per la maggior parte delle persone è lo scambio giusto. Un'istruzione di progetto è un prompt che scrivi una volta e modifichi ogni volta che le regole cambiano. Un fine tuning è un modello che riaddestri ogni volta che le regole cambiano. Per chiunque non stia eseguendo un compito ristretto su larga scala, il prompt vince per costo, velocità di modifica e il fatto che puoi leggerlo.
La regola decisionale: fai fine tuning quando lo stesso compito ristretto gira a un volume in cui un modello economico che si ripaga da solo conta davvero. Ovunque altrove, scrivi l'istruzione.
- Stabilisci se il divario è di comportamento o di conoscenza; il fine tuning risolve solo il primo
- Prova un prompt con tre esempi prima di qualsiasi addestramento
- Usa il retrieval o la ricerca web per fatti, prezzi e tutto ciò che cambia
- Testa prima un modello diverso; uno potrebbe già scrivere come vuoi tu
- Fai fine tuning di un modello economico per un compito ristretto e ad alto volume, e misuralo contro il modello di punta su quel compito
Domande frequenti
Cosa significa fare fine tuning di un modello IA?
Significa addestrare ulteriormente un modello già addestrato sui tuoi esempi, in genere da poche centinaia a poche migliaia di coppie input-output, in modo che adotti di default uno stile, un formato o un insieme di regole. È un piccolo aggiustamento sopra un pretraining che ha letto migliaia di miliardi di token, ed è per questo che plasma il comportamento anziché aggiungere conoscenza.
Fine tuning contro RAG: quale usare?
Fine tuning per come risponde il modello: tono, formato, rispetto di un lungo insieme di regole. RAG per cosa sa: i tuoi documenti e tutto ciò che cambia. Risolvono problemi diversi e i sistemi in produzione spesso usano entrambi. Se il tuo divario è di fatti, il fine tuning non lo colmerà; il modello suonerà giusto ma sbaglierà.
Quanti esempi servono per fare fine tuning di un modello?
La guida al fine tuning di OpenAI dice che miglioramenti evidenti si vedono in genere già da 50 a 100 esempi ben fatti, e che la qualità conta più della quantità. Poche centinaia sono una dimensione di lavoro comune; migliaia aiutano per compiti con molti casi distinti.
Quanto costa il fine tuning?
L'addestramento è di solito la parte piccola; il punto è il risparmio per risposta che ne segue. Ai prezzi di listino OpenRouter rilevati il 2026-08-20, una risposta standard costa $0.0006 su Llama 4 Maverick e $0.007 su Claude Sonnet 5, quindi un compito che gira 100.000 volte al mese costa $60 contro $700. Un fine tuning che permette al modello economico di eguagliare quello costoso su quel compito si ripaga nel primo mese.
Posso fare fine tuning di ChatGPT o Claude?
Non nelle app per consumatori. Il fine tuning è offerto sulle API dei fornitori per alcuni modelli e sui modelli open-weight che esegui tu stesso. Dentro un prodotto di chat l'equivalente è un'istruzione permanente: le istruzioni personalizzate di ChatGPT, oppure un'istruzione a livello di progetto in Whizi che si applica a ogni conversazione in quel progetto.
