Fine tuning AI: co to jest i na czym polega?

Fine-tuning to niewielkie doszlifowanie na szczycie ogromnego modelu

Model językowy trafia do ciebie już wytrenowany. Pretrening przeczytał korpus liczący biliony tokenów; Meta podała ponad 15 bilionów dla Llama 3. Post-trening wyszkolił go następnie na asystenta. Czym jest LLM opisuje oba etapy.

Fine-tuning to trzeci, znacznie mniejszy etap, który przeprowadzasz sam. Podajesz modelowi od kilkuset do kilku tysięcy przykładów dokładnie takiego wejścia i wyjścia, jakiego chcesz, i doszkalasz go na nich. Przewodnik OpenAI o fine-tuningu mówi, że wyraźną poprawę widać zwykle już przy 50 do 100 przykładach. Parametry przesuwają się nieznacznie w stronę domyślnego generowania odpowiedzi w twoim stylu.

Różnica skali to cała historia. Piętnaście bilionów tokenów kontra kilkaset przykładów: fine-tune nie może dodać istotnej wiedzy, bo nie ma jej wystarczająco dużo, żeby cokolwiek zmienić w tym, co model wie. Może za to zmienić to, jak model odpowiada, bo spójny format powtórzony kilkaset razy to dokładnie ten rodzaj wzorca, który niewielkie doszlifowanie potrafi uchwycić.

Fine-tuning zmienia sposób odpowiadania, nigdy wiedzę

Granicę trzeba wytyczyć między zachowaniem a wiedzą.

Porażka, na jaką ludzie się natykają, dotyczy czwartego wiersza. Dostrajają model na swoim centrum pomocy, oczekując modelu, który zna ich produkt. Dostają model, który pisze głosem centrum pomocy i płynnie zmyśla fakty o produkcie, bo trening nauczył go kształtu odpowiedzi, a nie ich treści. Zadanie związane z wiedzą należy do wyszukiwania, a czym jest RAG wyjaśnia, jak to działa.

Dlaczego fine-tuning robi się celowo na tanich modelach

Nikt nie dostraja najdroższego modelu w rodzinie do wąskiego zadania. Chodzi o to, żeby mały, tani model robił jedną rzecz tak samo dobrze, jak robi to model z czołówki przy długim promptcie, a potem uruchamiać ten tani milion razy.

Liczby nad każdym końcem to wyniki Artificial Analysis Intelligence Index odczytane 2026-09-17, a linia to różnica cen za milion tokenów. Uniwersalny Llama 4 Maverick uzyskuje 9 punktów wobec 38 dla Claude Sonnet 5; zakład fine-tuningu polega na tym, że przy jednym wąskim zadaniu te 29 punktów da się zamknąć za 127 razy niższą cenę. Przy cenach cennikowych OpenRouter pobranych 2026-08-20 standardowa odpowiedź na 1000 tokenów wejścia i 500 wyjścia kosztuje $0.0006 na Maverick i $0.007 na Sonnet 5, według indeksu kosztów modeli AI, więc klasyfikator zgłoszeń wykonywany 100 000 razy miesięcznie kosztuje $60 na pierwszym i $700 na drugim. Jeśli dostrojony Maverick dorówna Sonnetowi w tym jednym zadaniu, dostrojenie zwróci się już w pierwszym miesiącu. To właśnie ta arytmetyka, a nie ogólna jakość modelu, jest tym, do czego służy fine-tuning.

Metodą, która to potaniła, jest LoRA, opublikowana w 2021 roku, trenująca niewielki zestaw dodanych parametrów zamiast całego modelu. Dzięki jej 4-bitowej następczyni QLoRA (Dettmers i in., 2023) model z 7 miliardami parametrów da się dostroić na pojedynczej konsumenckiej karcie graficznej 24 GB. Pełny fine-tuning tego samego modelu oznacza aktualizację każdego parametru na kilku serwerowych GPU.

Prompt, wyszukiwanie lub inny model rozwiązują większość przypadków przed jakimkolwiek treningiem

Fine-tuning to ostatnia opcja, nie pierwsza, bo każde z poniższych rozwiązuje typowe przypadki ułamkiem wysiłku i da się zmienić w minutę.

1. Lepszy prompt z przykładami. Trzy przykłady pożądanego wyjścia wewnątrz promptu dają większość korzyści formatu i tonu z fine-tuningu bez żadnego treningu. Prompt engineering dla początkujących opisuje ten wzorzec.
2. Wyszukiwanie. Jeśli luka dotyczy wiedzy, żadne dostrajanie jej nie zamknie. Wgraj dokumenty albo włącz wyszukiwanie.
3. Inny model. Modele różnią się domyślnym głosem. Model, który już pisze tak, jak chcesz, wygrywa z dostrajaniem takiego, który tak nie pisze; przestrzeń robocza z wieloma modelami zamienia to w test jednym kliknięciem.

Sięgnij po fine-tuning, gdy prompt urósł do strony zasad, o których model wciąż zapomina, gdy zadanie działa na skalę, przy której długość promptu to realne pieniądze, albo gdy potrzebujesz niezawodnie zwracanego formatu dziesięć tysięcy razy bez ani jednego odstępstwa. To realne potrzeby. Są też rzadkie.

Czy można dostroić model wewnątrz produktu czatowego?

Zasadniczo nie, i Whizi nie jest wyjątkiem. Konsumenckie produkty czatowe, w tym Whizi, nie oferują fine-tuningu; to funkcja deweloperska dostępna w API dostawców i na modelach o otwartych wagach. Najbliższą rzeczą wewnątrz aplikacji czatowej są stałe instrukcje. W Whizi znajdują się one na poziomie projektu: instrukcje niestandardowe przypisane do projektu obowiązują w każdej rozmowie w jego obrębie, dzięki czemu uzyskujesz spójny ton i format w całym zbiorze pracy bez trenowania czegokolwiek. Jak korzystać z Projektów wyjaśnia konfigurację.

To właściwy kompromis dla większości ludzi. Instrukcja projektowa to prompt, który piszesz raz i edytujesz, gdy zmieniają się zasady. Fine-tune to model, który retrenujesz za każdym razem, gdy zasady się zmieniają. Dla każdego, kto nie prowadzi wąskiego zadania na dużą skalę, prompt wygrywa kosztem, szybkością zmiany i tym, że możesz go po prostu przeczytać.

Zasada decyzyjna: dostrajaj, gdy to samo wąskie zadanie działa na skalę, przy której opłacalność taniego modelu ma znaczenie. Wszędzie indziej zapisz instrukcję.