Fine-tuning
Fine-tuning er yderligere træning af en eksisterende model på udvalgte eksempler for at ændre dens adfærd eller specialisering.
Fine-tuning: Fine-tuning er yderligere træning af en eksisterende model på udvalgte eksempler for at ændre dens adfærd eller specialisering.
Fine-tuning ændrer modellen – det gør en prompt ikke
Ved fine-tuning trænes en eksisterende model videre på udvalgte eksempler. Det kan bruges til at forme bestemt adfærd, format eller specialisering. Det er noget andet end at sende dokumenter ind som kontekst ved hver forespørgsel.
Brug ikke fine-tuning som erstatning for aktuelle fakta
Hvis målet er at svare ud fra en løbende ændret produktmanual, er retrieval typisk mere naturligt, fordi kilder kan opdateres uden ny træning. Fine-tuning giver især mening, når du har mange repræsentative input/output-eksempler og et klart eval-sæt.
Før du vælger fine-tuning
Test først en stærk baseline med god prompt, struktureret output og relevante kilder. Dokumentér den fejl, du vil reducere, så du kan måle, om fine-tuningen faktisk forbedrer den.
Spørgsmål om emnet
Hvad betyder Fine-tuning?
Fine-tuning er yderligere træning af en eksisterende model på udvalgte eksempler for at ændre dens adfærd eller specialisering.
Hvad er et konkret eksempel på Fine-tuning?
Et team kan fine-tune til et stabilt klassifikationsformat, hvis prompting og examples alene ikke giver tilstrækkelig konsistens.
Hvad bliver Fine-tuning ofte forvekslet med?
Fine-tuning er ikke den normale løsning på “modellen kender ikke vores nyeste dokumenter”; RAG/kontekst er ofte mere relevant.