Что такое файнтюнинг? Отличия от RAG, данные, стоимость и условия доступа

«Хочу адаптировать ИИ для своей компании». Один из вариантов — файнтюнинг: дополнительное обучение предобученной LLM на данных для конкретного применения. Объём данных, расходы и доступные сервисы различаются, поэтому сначала определите исходный уровень для измерения улучшений. В этом руководстве для начинающих объясняются принцип работы и сильные стороны файнтюнинга, его отличия от RAG и промптинга, основные методы, необходимые условия и первые шаги.

1. Что такое файнтюнинг?

Файнтюнинг — это дополнительное обучение уже обученной модели ИИ (базовой модели) на данных вашего сценария, чтобы изменить закономерности её ответов. Например, ответы в стиле компании, определённый формат вывода или работа со специальной терминологией. Цель — научить этим закономерностям саму модель.

Это можно сравнить с обучением нового сотрудника. Даже способный новичок — базовая модель — ещё не знает порядков компании. Обучение на корпоративных примерах направлено на адаптацию ответов к этим порядкам и позволяет проверить, достаточно ли более коротких инструкций. Файнтюнинг изменяет веса модели (параметры) или дополнительные адаптеры.

«Индивидуальная модель» не означает, что вам принадлежит базовая модель. Различайте доступ к модели через API и самостоятельную работу с её весами. Проверяйте лицензию базовой модели и условия распространения.

2. Сильные стороны и ограничения

Неправильное понимание цели может привести к неудаче. Файнтюнинг — вариант для изменения закономерностей ответов: стиля, классификации и следования инструкциям; это не механизм автоматического включения информации, появившейся после обучения.

Если цель — точно работать с актуальной информацией или внутренними данными, RAG (поиск информации и добавление её в контекст) подходит лучше файнтюнинга. Файнтюнинг позволяет приблизить ответы к нужному тону или формату. Если нужен, например, JSON, сравните также структурированный вывод поддерживаемых моделей. Руководство OpenAI по структурированному выводу различает соблюдение формата и смысловую правильность значений, а также объясняет обработку отказов.

3. Как выбрать между RAG, промптингом и файнтюнингом

У трёх распространённых подходов к адаптации ИИ разные задачи и составляющие затрат. Их обзор приведён в таблице.

Полезный ориентир: «RAG — для фактов и знаний; файнтюнинг — для поведения и шаблонов; сначала промпты». В рабочей системе можно сочетать RAG для подачи документов и файнтюнинг для адаптации ответов, но не каждой системе нужны оба подхода. Это связано с контекстной инженерией.

4. Основные методы: полное дообучение, LoRA и QLoRA

SFT учится на желаемых ответах. DPO использует предпочтения между ответами, а RFT — сигналы, например оценки проверяющей модели. Полное дообучение, LoRA и QLoRA относятся к другой классификации: они описывают обновляемые параметры и числовую точность. API-сервисы не обязательно позволяют свободно выбирать внутреннюю реализацию. См. руководство OpenAI по методам обучения.

Есть несколько способов файнтюнинга. Для начала стоит разобраться в следующих трёх.

Официальная документация PEFT и оригинальные работы о LoRA/QLoRA объясняют механизмы. Результаты экспериментов в этих работах не гарантируют то же качество для любой модели.

Выбирайте полное дообучение, LoRA или QLoRA по доступным ресурсам и результатам оценки. Неудача одного метода не доказывает, что остальные тоже не сработают. С локальной LLM возможен и небольшой эксперимент на собственном ПК.

5. Данные, расходы и инструменты

Данные: допустимый минимум не равен объёму для полезного качества

Руководство OpenAI по SFT сообщает об улучшениях при 50–100 примерах и рекомендует пересмотреть задачу или промпт, если 50 примеров не дают улучшения. Это рекомендации для OpenAI SFT, а не доказательство того, что любой метод требует 500 примеров. Выполнение минимума для подачи и получение полезного качества — разные вопросы.

Прежде чем увеличивать количество, проверьте сходство примеров с реальными входными данными, правильность ответов, подходящий баланс классов, повторы и противоречия. Разделяйте данные обучения и оценки: перефразировки одного вопроса не должны попадать в оба набора и завышать показатели. Обучение правильному ответу при отсутствии в запросе нужных для его вывода сведений может поощрять необоснованные догадки. См. рекомендации OpenAI по качеству данных и выделению оценочного набора.

Стоимость: учитывайте эксплуатацию, а не только обучение

Для тарификации по токенам начните с формулы «оплачиваемые токены обучения ÷ миллион × тариф», для тарификации по времени — «оплачиваемое время × часовая ставка». Уточните, какие токены или время учитывает поставщик и как оплачиваются сбои и повторные попытки. При самостоятельном обучении оцените также число проходов по данным, длину входа, количество GPU и время работы.

Эти два примера относятся к разным методам и единицам расчёта. Они взяты из стандартных тарифов в официальной таблице цен OpenAI, проверенной 10 октября 2026 года. Наличие этих примеров не означает доступности регистрации для новых пользователей: см. условия ниже.

Отключение o4-mini и его адаптированной версии из этого ценового примера запланировано на 23 октября 2026 года. Перед выбором модели изучите официальное уведомление OpenAI о прекращении поддержки.

Это цены API-файнтюнинга и инференса, а не подписки ChatGPT. Для пакетной обработки и передачи данных могут действовать отдельные тарифы, поэтому «$25–$100 за миллион токенов» не является общей ценой всех методов. Учитывайте условия передачи данных и тарифы инференса в расчёте.

Если цель — экономия, измерьте, действительно ли после обучения снижается стоимость запроса. Деление затрат на внедрение на экономию с запроса даёт примерный объём окупаемости, но только при сопоставимом качестве ответов и положительной экономии. При небольшом объёме снижение расходов на инференс может не окупить подготовку.

Доступность: прекращение сервиса OpenAI и самостоятельное обучение

Источник: изменения доступности сервиса файнтюнинга OpenAI с самообслуживанием, проверенные 10 октября 2026 года. Сохранение таблицы цен или инструкции в интернете не доказывает, что ваша организация может начать обучение.

Для самостоятельного обучения модели с доступными весами одним из вариантов является SFTTrainer из Hugging Face TRL. Проверьте лицензии модели и данных, память GPU, длину входа, поддерживаемые методы и места хранения. Для управляемого сервиса другого поставщика также сверяйте модели, регионы, договорные условия и единицы тарификации с актуальными спецификациями.

6. Небольшой эксперимент для решения о внедрении

Ниже — пример плана классификации обращений как «доставка», «возврат» или «другое». Это не отчёт об обучении, измеренной эффективности или счетах в рамках статьи.

1. Определите критерии приёмки: фиксируйте точность классификации, обработку неопределённых случаев, время ответа и стоимость запроса. Серьёзные ошибки классификации учитывайте отдельно от средних показателей.
2. Измерьте исходный уровень: упорядочьте инструкции и примеры и оцените на данных, которые не будут использоваться для обучения. Различайте недостаток инструкций, недостаток информации и решение модели.
3. Выберите метод, устраняющий причину: если не хватает справочных материалов, проверьте систему поиска. Если проблема в критериях решения или закономерностях ответов, включите файнтюнинг в сравнение. Не обязательно всегда сначала пробовать RAG.
4. Проверьте условия запуска: уточните доступность, модель, бюджет, права использования данных, внешнюю передачу и хранение до планирования небольшого обучения.
5. Сравните по одинаковой оценке: задайте базовой и адаптированной моделям одинаковые вопросы. Включите новые входные данные, другие языки, длинные тексты и запросы, которые следует отклонять.
6. Решите: внедрять, дорабатывать или отложить: сравните улучшение качества, стоимость, задержку и эксплуатационную нагрузку. Если улучшения нет, пересмотрите данные или настройки, а не сразу заменяйте рабочую систему. Сохраните версию для отката.

После обучения продолжайте отслеживать области с выросшим числом ошибок, обновления информации и прекращение поддержки базовых моделей. Результат на обучающих данных сам по себе не показывает работу с новыми запросами. Рекомендации OpenAI по оценке также советуют разделять обучающие и тестовые данные.

Итоги

Три важных момента о файнтюнинге:

• Что это: дополнительное обучение предобученной модели, которое изменяет закономерности ответов через обновление весов или дополнительных адаптеров.
• Как выбирать: выясните, касается ли проблема справочной информации, инструкций или закономерностей ответов, затем сравните методы в одинаковых условиях.
• Как начать: проверьте доступность, бюджет и права использования данных. Объём данных и расходы зависят от метода, модели и сценария.

Файнтюнинг — вариант улучшения, эффективность которого нужно подтвердить оценкой. Завершение задания обучения и улучшение качества в реальной работе требуют отдельных проверок. Руководства по RAG и контекстной инженерии помогают увидеть общую картину адаптации ИИ. Ещё один связанный метод уменьшения моделей — дистилляция моделей.

Частые вопросы