Fine-tuning, devasa bir modelin üzerine yapılan küçük bir dokunuştur
Bir dil modeli sana zaten eğitilmiş halde ulaşır. Ön eğitim trilyonlarca tokenlik bir külliyatı okumuştur; Meta, Llama 3 için 15 trilyondan fazla token bildirmişti. Sonrasında post-training onu bir asistan haline getirecek şekilde yönlendirmiştir. LLM nedir her iki aşamayı da ele alır.
Fine-tuning, senin çalıştırdığın çok daha küçük üçüncü bir aşamadır. Modele istediğin tam giriş ve çıkışın birkaç yüz ile birkaç bin arasında örneğini verir ve onu bunlar üzerinde biraz daha eğitirsin. OpenAI'nin fine-tuning rehberine göre belirgin iyileşmeler tipik olarak 50 ile 100 örnek arasında görülmeye başlar. Parametreler, varsayılan olarak senin istediğin türde bir yanıt üretmeye doğru hafifçe kayar.
Buradaki tüm hikaye ölçek farkıdır. Onbeş trilyon token karşısında birkaç yüz örnek: fine-tune anlamlı bir bilgi ekleyemez, çünkü modelin ne bildiğini değiştirecek kadar veri yoktur. Yapabildiği şey, modelin nasıl yanıt verdiğini değiştirmektir, çünkü birkaç yüz kez tekrarlanan tutarlı bir format, tam olarak küçük bir dokunuşun yakalayabileceği türden bir örüntüdür.
Fine-tuning modelin nasıl yanıt verdiğini değiştirir, asla ne bildiğini değil
Çizilecek sınır davranış ile bilgi arasındadır.
| Modelin şunu yapmasını istiyorsun... | Fine-tuning | Gerçekte işe yarayan |
|---|---|---|
| Her zaman kendi üslubunda veya tonunda yanıt vermesi | Evet, temel kullanım budur | Fine-tune, ya da örneklerle güçlü bir sistem promptu |
| Her zaman belirli bir format döndürmesi (JSON, sabit bir şablon) | Evet | Ölçekte güvenilirlik için fine-tune; ara sıra kullanım için prompt |
| Hatırlatılmadan uzun bir kural listesine uyması | Evet | Fine-tune; kurallar promptdan ağırlıklara taşınır |
| Ürününü, fiyatlarını, politikalarını bilmesi | Hayır | Retrieval: belgeleri yanıt anında ver |
| Eğitimden sonra değişen herhangi bir şeyi bilmesi | Hayır | Web araması veya retrieval |
| Zor problemlerde daha iyi akıl yürütmesi | Hayır | Bir akıl yürütme modeli veya daha büyük bir model |
İnsanların çarptığı hata dördüncü satırdır. Yardım merkezleri üzerinde fine-tune yapıp ürünlerini bilen bir model beklerler. Bunun yerine yardım merkezinin sesiyle yazan ve ürün bilgilerini akıcı bir şekilde uyduran bir model elde ederler, çünkü eğitim ona yanıtların şeklini öğretmiştir, içeriğini değil. Bilgi işi retrieval'e aittir ve RAG nedir bunun nasıl çalıştığını açıklar.
Fine-tuning neden bilinçli olarak ucuz modeller üzerinde yapılır
Kimse dar bir iş için bir ailenin en pahalı modelini fine-tune etmez. Amaç, küçük ve ucuz bir modele, uzun bir promptla frontier modelin yaptığı işi aynı kalitede yaptırmak, sonra ucuz olanı milyonlarca kez çalıştırmaktır.
Her ucun üzerindeki sayılar 2026-09-17 tarihinde okunan Artificial Analysis Intelligence Index puanlarıdır ve çizgi, milyon token başına fiyat farkını gösterir. Genel amaçlı bir Llama 4 Maverick, Claude Sonnet 5'in 38 puanına karşı 9 puan alır; bir fine-tune'un bahsi, tek dar bir görevde bu 29 puanlık farkın 127 kat tasarrufla kapatılabileceğidir. 2026-08-20'de alınan OpenRouter liste fiyatlarında, 1.000 token giriş ve 500 token çıkıştan oluşan standart bir yanıt Maverick'te $0.0006, Sonnet 5'te $0.007'ye mal olur; AI model maliyet endeksi'ne göre, ayda 100.000 kez çalışan bir destek sınıflandırıcısı ilkinde $60, ikincisinde $700'e mal olur. Ayarlanmış Maverick bu tek görevde Sonnet'e eşitse, ayar ilk ayda kendini amorti eder. Fine-tuning'in amacı genel olarak model kalitesi değil, işte bu hesaptır.
Bunu ucuzlatan yöntem, 2021'de yayımlanan ve tüm modeli değil, eklenen küçük bir parametre kümesini eğiten LoRA'dır. 4 bit'lik halefi QLoRA (Dettmers ve ark., 2023) ile 7 milyar parametreli bir model, tek bir 24 GB'lık tüketici ekran kartında ayarlanabilir. Aynı modelin tam fine-tuning'i, birden fazla veri merkezi GPU'sunda her parametrenin güncellenmesi anlamına gelir.
Herhangi bir eğitimden önce çoğu durumu bir prompt, retrieval veya farklı bir model çözer
Fine-tuning son seçenektir, ilk değil, çünkü bunların her biri yaygın durumları çok daha az çabayla çözer ve bir dakikada değiştirilebilir.
- Örnekli daha iyi bir prompt. Promptun içinde istediğin çıktının üç örneği, fine-tune'un format ve ton faydasının çoğunu hiçbir eğitim olmadan sağlar. Yeni başlayanlar için prompt mühendisliği bu örüntüyü ele alır.
- Retrieval. Fark bilgiyse, hiçbir ayar bunu kapatamaz. Belgeleri yükle veya aramayı aç.
- Farklı bir model. Modeller varsayılan seslerinde farklılık gösterir. Zaten istediğin gibi yazan bir model, istemediğin bir modeli ayarlamaktan daha iyidir; çok modelli bir çalışma alanı bunu tek tıkla test edilebilir hale getirir.
Prompt bir sayfalık kurallara büyüyüp model bunları sürekli unutuyorsa, iş prompt uzunluğunun gerçek para anlamına geldiği bir hacimde çalışıyorsa veya on binlerce kez tek bir sapma olmadan güvenilir şekilde döndürülen bir format gerekiyorsa fine-tuning'e başvur. Bunlar gerçek ihtiyaçlardır. Aynı zamanda nadirdirler.
Bir sohbet ürünü içinde fine-tune yapabilir misin?
Genellikle hayır, ve Whizi de bir istisna değil. Whizi dahil tüketici sohbet ürünleri fine-tuning sunmaz; bu, sağlayıcı API'lerinde ve açık ağırlıklı modellerde bir geliştirici özelliğidir. Bir sohbet uygulaması içindeki en yakın şey sabit talimatlardır. Whizi'de bunlar bir proje üzerinde yaşar: proje bazlı özel talimatlar o projedeki her konuşmaya uygulanır, bu da hiçbir şey eğitmeden bir iş yığını boyunca tutarlı ton ve format elde etmenin yoludur. Projeler nasıl kullanılır kurulumu açıklar.
Çoğu kişi için doğru tercih budur. Proje talimatı, bir kez yazıp kurallar değiştiğinde düzenlediğin bir prompttur. Fine-tune ise kurallar değiştiğinde yeniden eğittiğin bir modeldir. Ölçekte dar bir iş çalıştırmayan herkes için prompt, maliyet, değişim hızı ve onu okuyabilme olgusu açısından kazanır.
Karar kuralı şu: aynı dar iş, ucuz bir modelin kendini amorti etmesinin önemli olduğu bir hacimde çalışıyorsa fine-tune yap. Diğer her yerde, talimatı yaz.
- Farkın davranış mı bilgi mi olduğuna karar ver; fine-tuning sadece ilkini düzeltir
- Herhangi bir eğitimden önce üç örnekli bir prompt dene
- Gerçekler, fiyatlar ve değişen her şey için retrieval veya web araması kullan
- Önce farklı bir model dene; biri zaten istediğin gibi yazıyor olabilir
- Dar, yüksek hacimli bir iş için ucuz bir modeli fine-tune et ve o iş üzerinde frontier modele karşı ölç
Sık sorulan sorular
Bir yapay zeka modelini fine-tune etmek ne anlama gelir?
Zaten eğitilmiş bir modeli, tipik olarak birkaç yüz ile birkaç bin girdi çıktı çifti olan kendi örneklerinle biraz daha eğitmek anlamına gelir, böylece varsayılan olarak bir üslup, format veya kurallar dizisi benimser. Trilyonlarca token okuyan ön eğitimin üzerine yapılan küçük bir ayardır, bu yüzden bilgi eklemek yerine davranışı şekillendirir.
Fine-tuning mi RAG mi: hangisini kullanmalıyım?
Fine-tuning modelin nasıl yanıt verdiği için: ton, format, uzun bir kural setine uyma. RAG ise ne bildiği için: belgelerin ve değişen her şey. Farklı sorunları çözerler ve üretim sistemleri genellikle ikisini de kullanır. Farkın gerçekler olduğu durumda fine-tuning bunu kapatmaz; model doğru gibi görünür ama yanlış olur.
Bir modeli fine-tune etmek için kaç örnek gerekir?
OpenAI'nin fine-tuning rehberine göre belirgin iyileşmeler tipik olarak 50 ile 100 iyi hazırlanmış örnekten itibaren görülür ve niceliğin ötesinde kalite önemlidir. Birkaç yüz yaygın bir çalışma boyutudur; birçok farklı vakası olan işler için binlerce yardımcı olur.
Fine-tuning ne kadara mal olur?
Eğitim çalıştırması genellikle küçük kısımdır; asıl mesele sonrasındaki yanıt başına tasarruftur. 2026-08-20'de alınan OpenRouter liste fiyatlarında, standart bir yanıt Llama 4 Maverick'te $0.0006, Claude Sonnet 5'te $0.007'dir, yani ayda 100.000 kez çalışan bir iş $60'a karşı $700'e mal olur. Ucuz modelin bu işte pahalı modele eşitlenmesini sağlayan bir fine-tune, ilk ayda kendini amorti eder.
ChatGPT'yi veya Claude'u fine-tune edebilir miyim?
Tüketici uygulamalarını değil. Fine-tuning, bazı modeller için sağlayıcı API'lerinde ve kendi çalıştırdığın açık ağırlıklı modellerde sunulur. Bir sohbet ürünü içindeki karşılığı sabit bir talimattır: ChatGPT'nin özel talimatları, ya da Whizi'de o projedeki her konuşmaya uygulanan proje düzeyinde bir talimat.
