Fine Tuning คืออะไรใน AI

Fine-tuning คือแรงผลักเล็กๆ บนโมเดลขนาดใหญ่

โมเดลภาษามาถึงคุณในสภาพที่ถูกฝึกมาแล้ว การเทรนล่วงหน้าอ่านคลังข้อมูลหลายล้านล้านโทเคน Meta รายงานว่ามากกว่า 15 ล้านล้านโทเคนสำหรับ Llama 3 จากนั้น post-training จึงฝึกให้มันเป็นผู้ช่วย What is an LLM ครอบคลุมทั้งสองขั้นตอนนี้

Fine-tuning คือขั้นตอนที่สาม ที่เล็กกว่ามากและคุณเป็นคนรันเอง คุณให้ตัวอย่างอินพุตและเอาต์พุตที่ต้องการแก่โมเดลไม่กี่ร้อยถึงไม่กี่พันตัวอย่าง แล้วฝึกมันเพิ่มด้วยตัวอย่างเหล่านั้น คู่มือ fine-tuning ของ OpenAI บอกว่าปกติจะเห็นผลลัพธ์ชัดเจนตั้งแต่ 50 ถึง 100 ตัวอย่าง พารามิเตอร์จะขยับเล็กน้อยไปในทางที่ผลิตคำตอบแบบที่คุณต้องการเป็นค่าเริ่มต้น

ความต่างของสเกลคือแก่นของเรื่องทั้งหมด สิบห้าล้านล้านโทเคนเทียบกับตัวอย่างไม่กี่ร้อยชิ้น fine-tune ไม่สามารถเพิ่มความรู้ที่มีนัยสำคัญได้ เพราะมันมีปริมาณไม่พอที่จะขยับเข็มของสิ่งที่โมเดลรู้ สิ่งที่มันทำได้คือขยับเข็มของวิธีที่โมเดลตอบสนอง เพราะรูปแบบที่สม่ำเสมอซึ่งเกิดซ้ำไม่กี่ร้อยครั้งเป็นแพทเทิร์นแบบที่แรงผลักเล็กๆ จับได้พอดี

Fine-tuning เปลี่ยนวิธีที่โมเดลตอบ ไม่เคยเปลี่ยนสิ่งที่มันรู้

เส้นแบ่งที่ต้องขีดคือพฤติกรรมกับความรู้

ความล้มเหลวที่คนส่วนใหญ่เจอคือแถวที่สี่ พวกเขา fine-tune บนศูนย์ช่วยเหลือของตัวเอง โดยคาดหวังโมเดลที่รู้จักสินค้าของตน แต่กลับได้โมเดลที่เขียนด้วยน้ำเสียงของศูนย์ช่วยเหลือและกุข้อมูลสินค้าขึ้นมาอย่างลื่นไหล เพราะการฝึกสอนรูปทรงของคำตอบไม่ใช่เนื้อหา งานด้านความรู้เป็นหน้าที่ของ retrieval และ what is RAG อธิบายว่ามันทำงานอย่างไร

ทำไม fine-tuning จึงมักทำกับโมเดลราคาถูกโดยตั้งใจ

ไม่มีใคร fine-tune โมเดลที่แพงที่สุดในตระกูลเพื่อทำงานแคบๆ ประเด็นคือทำให้โมเดลเล็กและถูกทำงานหนึ่งอย่างได้ดีเทียบเท่าโมเดลระดับแนวหน้าที่ต้อง prompt ยาวๆ แล้วจึงรันตัวถูกนั้นเป็นล้านๆ ครั้ง

ตัวเลขเหนือปลายแต่ละด้านคือคะแนน Artificial Analysis Intelligence Index ที่อ่านเมื่อ 2026-09-17 และเส้นคือช่องว่างราคาต่อล้านโทเคน Llama 4 Maverick แบบทั่วไปได้ 9 คะแนนเทียบกับ Claude Sonnet 5 ที่ 38 การพนันของ fine-tune คือว่าในงานแคบๆ หนึ่งงาน ช่องว่าง 29 คะแนนนั้นสามารถปิดได้ในราคาที่ประหยัดลง 127 เท่า ที่ราคาลิสต์ของ OpenRouter ซึ่งดึงมาเมื่อ 2026-08-20 คำตอบมาตรฐาน 1,000 โทเคนอินพุตและ 500 โทเคนเอาต์พุตมีราคา $0.0006 บน Maverick และ $0.007 บน Sonnet 5 ตามข้อมูลจาก AI model cost index ดังนั้นตัวจำแนกงานซัพพอร์ตที่รันวันละ 100,000 ครั้งต่อเดือนมีราคา $60 กับตัวแรก และ $700 กับตัวหลัง หาก Maverick ที่ tune แล้วเทียบเท่า Sonnet ในงานนั้น การ tune จะคุ้มทุนภายในเดือนแรก คณิตศาสตร์แบบนี้ ไม่ใช่คุณภาพโมเดลโดยรวม คือสิ่งที่ fine-tuning มีไว้เพื่อสิ่งนี้

วิธีที่ทำให้เรื่องนี้ถูกลงคือ LoRA ซึ่งเผยแพร่ในปี 2021 โดยฝึกชุดพารามิเตอร์เพิ่มเติมขนาดเล็กแทนที่จะฝึกทั้งโมเดล ด้วย QLoRA รุ่นสืบทอดแบบ 4 บิต (Dettmers et al., 2023) โมเดลขนาด 7 พันล้านพารามิเตอร์สามารถ tune ได้บนการ์ดจอสำหรับผู้บริโภคขนาด 24 GB เพียงใบเดียว ในขณะที่การ fine-tune แบบเต็มรูปแบบของโมเดลเดียวกันหมายถึงการอัปเดตทุกพารามิเตอร์บน GPU ของศูนย์ข้อมูลหลายตัว

Prompt, retrieval หรือโมเดลอื่นแก้ปัญหาส่วนใหญ่ได้ก่อนต้องเทรนอะไรเลย

Fine-tuning คือตัวเลือกสุดท้าย ไม่ใช่ตัวแรก เพราะแต่ละวิธีต่อไปนี้แก้ปัญหาทั่วไปได้ด้วยความพยายามเพียงเสี้ยวเดียวและปรับเปลี่ยนได้ในเวลาไม่กี่นาที

1. Prompt ที่ดีกว่าพร้อมตัวอย่าง ตัวอย่างเอาต์พุตสามชิ้นที่ต้องการภายใน prompt ให้ประโยชน์ด้านรูปแบบและโทนส่วนใหญ่ของ fine-tune โดยไม่ต้องเทรนเลย Prompt engineering for beginners ครอบคลุมแพทเทิร์นนี้
2. Retrieval ถ้าช่องว่างคือความรู้ การ tune เท่าไรก็ปิดไม่ได้ อัปโหลดเอกสารหรือเปิดใช้การค้นหา
3. โมเดลอื่น โมเดลแต่ละตัวมีน้ำเสียงเริ่มต้นต่างกัน โมเดลที่เขียนแบบที่คุณต้องการอยู่แล้วดีกว่าการ tune ตัวที่ไม่ใช่ พื้นที่ทำงานแบบหลายโมเดลทำให้ทดสอบเรื่องนี้ได้ในคลิกเดียว

หันไปใช้ fine-tuning เมื่อ prompt ยาวจนกลายเป็นกฎเต็มหน้ากระดาษที่โมเดลลืมอยู่เรื่อย เมื่องานมีปริมาณสูงจนความยาว prompt กลายเป็นเงินจริง หรือเมื่อคุณต้องการรูปแบบที่คืนกลับมาอย่างน่าเชื่อถือหมื่นครั้งโดยไม่คลาดเคลื่อนแม้แต่ครั้งเดียว นี่คือความต้องการจริง และก็หายากด้วยเช่นกัน

Fine-tune ในผลิตภัณฑ์แชทได้ไหม

โดยทั่วไปไม่ได้ และ Whizi ก็ไม่ใช่ข้อยกเว้น ผลิตภัณฑ์แชทสำหรับผู้บริโภค รวมถึง Whizi ไม่มีการ fine-tuning ให้ใช้ มันเป็นฟีเจอร์สำหรับนักพัฒนาบน API ของผู้ให้บริการและโมเดล open-weight สิ่งที่ใกล้เคียงที่สุดในแอปแชทคือคำสั่งประจำ ใน Whizi คำสั่งเหล่านี้อยู่ในโปรเจกต์ คำสั่งกำหนดเองต่อโปรเจกต์จะใช้กับทุกบทสนทนาในโปรเจกต์นั้น ซึ่งเป็นวิธีที่ทำให้ได้โทนและรูปแบบสม่ำเสมอตลอดงานชิ้นหนึ่งโดยไม่ต้องเทรนอะไรเลย How to use Projects อธิบายวิธีตั้งค่า

นั่นคือทางเลือกที่ถูกต้องสำหรับคนส่วนใหญ่ คำสั่งในโปรเจกต์คือ prompt ที่คุณเขียนครั้งเดียวและแก้ไขได้ทุกครั้งที่กฎเปลี่ยน ส่วน fine-tune คือโมเดลที่คุณต้องเทรนใหม่ทุกครั้งที่กฎเปลี่ยน สำหรับทุกคนที่ไม่ได้รันงานแคบๆ ในสเกลใหญ่ prompt ชนะทั้งด้านต้นทุน ความเร็วในการเปลี่ยนแปลง และการที่คุณอ่านมันได้

กฎการตัดสินใจคือ fine-tune เมื่องานแคบๆ เดียวกันรันในปริมาณที่โมเดลราคาถูกที่คุ้มทุนมีความหมายจริง ที่อื่นนอกเหนือจากนี้ ให้เขียนคำสั่งไว้เฉยๆ