Wat is fine tuning in AI?

Fine tuning is een kleine bijsturing bovenop een enorm model

Een taalmodel komt al getraind bij je aan. Pretraining las een corpus van biljoenen tokens; Meta rapporteerde meer dan 15 biljoen voor Llama 3. Post training coachte het daarna tot een assistent. Wat is een LLM behandelt beide fases.

Fine tuning is een derde, veel kleinere fase die jij zelf uitvoert. Je geeft het model een paar honderd tot een paar duizend voorbeelden van precies de input en output die je wilt, en traint het daar iets verder op. OpenAI's fine tuning gids zegt dat duidelijke verbeteringen doorgaans al bij 50 tot 100 voorbeelden zichtbaar zijn. De parameters verschuiven licht in de richting van standaard jouw soort antwoord produceren.

Het schaalverschil is het hele verhaal. Vijftien biljoen tokens tegenover een paar honderd voorbeelden: de fine tune kan geen betekenisvolle kennis toevoegen, want er is niet genoeg van om de naald te verzetten op wat het model weet. Wat het wel kan, is de naald verzetten op hoe het model reageert, want een consistente opmaak die een paar honderd keer herhaald wordt, is precies het soort patroon dat een kleine bijsturing oppikt.

Fine tuning verandert hoe een model antwoordt, nooit wat het weet

De lijn die je moet trekken is gedrag tegenover kennis.

De fout waar mensen tegenaan lopen is de vierde rij. Ze finetunen op hun helpcentrum, in de verwachting een model te krijgen dat hun product kent. Ze krijgen een model dat schrijft in de toon van het helpcentrum en vlot de productfeiten verzint, want de training leerde het de vorm van de antwoorden, niet de inhoud. De kennistaak hoort bij retrieval, en wat is RAG legt uit hoe dat werkt.

Waarom fine tuning met opzet op goedkope modellen gebeurt

Niemand finetunet het duurste model van een familie voor een smalle taak. Het punt is om een klein, goedkoop model één ding net zo goed te laten doen als het frontier model dat doet met een lange prompt, en dat goedkope model dan miljoenen keren te draaien.

De getallen boven elk uiteinde zijn Artificial Analysis Intelligence Index scores, gelezen op 2026-09-17, en de lijn is het prijsverschil per miljoen tokens. Een algemeen inzetbare Llama 4 Maverick scoort 9 tegenover Claude Sonnet 5 op 38; de gok van een fine tune is dat die 29 punten op één smalle taak gedicht kunnen worden voor een besparing van 127 keer. Bij OpenRouter listprijzen opgehaald op 2026-08-20 kost een standaardantwoord van 1.000 tokens in en 500 tokens uit $0.0006 op Maverick en $0.007 op Sonnet 5, volgens de AI model cost index, dus een supportclassifier die 100.000 keer per maand draait kost $60 op de eerste en $700 op de tweede. Als de getunede Maverick op die ene taak gelijk speelt met Sonnet, verdient de tune zichzelf in de eerste maand terug. Die rekensom, niet modelkwaliteit in het algemeen, is waar fine tuning voor bedoeld is.

De methode die dit goedkoop maakte is LoRA, gepubliceerd in 2021, die een kleine set toegevoegde parameters traint in plaats van het hele model. Met de 4-bit opvolger QLoRA (Dettmers et al., 2023) tunet een model van 7 miljard parameters op één enkele consumenten videokaart van 24 GB. Volledige fine tuning van hetzelfde model betekent elke parameter bijwerken op meerdere datacenter GPU's.

Een prompt, retrieval of een ander model lost de meeste gevallen op voor er getraind wordt

Fine tuning is de laatste optie, niet de eerste, want elk van deze lost de gangbare gevallen op voor een fractie van de moeite en kan binnen een minuut aangepast worden.

1. Een betere prompt met voorbeelden. Drie voorbeelden van de gewenste output in de prompt geeft het grootste deel van het opmaak- en toonvoordeel van een fine tune, zonder de training. Prompt engineering voor beginners behandelt dit patroon.
2. Retrieval. Als de kloof kennis is, dicht geen enkele hoeveelheid tuning die. Upload de documenten of zet zoeken aan.
3. Een ander model. Modellen verschillen in standaardtoon. Een model dat al schrijft zoals jij wilt, verslaat een getuned model dat dat niet doet; een werkruimte met meerdere modellen maakt dit een test met één klik.

Grijp naar fine tuning wanneer de prompt is uitgegroeid tot een pagina regels die het model steeds vergeet, wanneer de taak op een volume draait waarbij promptlengte echt geld kost, of wanneer je een opmaak tienduizend keer betrouwbaar teruggegeven moet krijgen zonder één afwijking. Dat zijn echte behoeften. Ze zijn ook zeldzaam.

Kun je finetunen binnen een chatproduct?

Over het algemeen niet, en Whizi vormt daarop geen uitzondering. Consumentenchatproducten, Whizi inbegrepen, bieden geen fine tuning aan; het is een ontwikkelaarsfunctie op provider-API's en open-weight modellen. Het dichtst in de buurt binnen een chatapp zijn vaste instructies. In Whizi staan die op een project: instructies per project gelden voor elk gesprek binnen dat project, en zo krijg je consistente toon en opmaak over een geheel aan werk zonder ook maar iets te trainen. Hoe je Projects gebruikt legt de opzet uit.

Dat is de juiste keuze voor de meeste mensen. Een projectinstructie is een prompt die je één keer schrijft en aanpast wanneer de regels veranderen. Een fine tune is een model dat je opnieuw traint wanneer de regels veranderen. Voor iedereen die geen smalle taak op schaal draait, wint de prompt op kosten, snelheid van aanpassen en het feit dat je hem kunt lezen.

De vuistregel: finetune wanneer dezelfde smalle taak op een volume draait waarbij een goedkoop model dat zichzelf terugverdient er echt toe doet. Overal elders schrijf je de instructie gewoon op.