Главная → Глоссарий → Термин
Fine-tuning
КОРОТКИЙ ОТВЕТ
Fine-tuning — дообучение готовой модели на собственных примерах, чтобы она устойчиво следовала нужному формату, стилю или поведению. Это меняет саму модель, в отличие от промпта, который действует только в пределах одного запроса. Для добавления фактических знаний fine-tuning подходит плохо: для этого используют RAG.
Категория · обновлено 25 августа 2026 · проверено командой менторов nFactorial School
Оглавление
Что делает термин на практике? · Зарплаты в Казахстане · Что нужно знать? · Отличия · Пошаговый путь · Частые ошибки
Что меняет дообучение
Fine-tuning корректирует веса модели на наборе ваших примеров вида «запрос — правильный ответ». После этого модель воспроизводит нужное поведение без длинных инструкций в промпте.
Задача | Дообучение помогает |
|---|---|
Устойчивый формат вывода | Да |
Специфический стиль и тон | Да |
Узкая классификация с нестандартными категориями | Да |
Сокращение длины промпта и стоимости | Да |
Добавить свежие или меняющиеся факты | Нет |
Обеспечить ссылки на источники | Нет |
Главное заблуждение
Распространённое представление: «дообучим модель на наших документах, и она будет всё про нас знать». На практике это работает плохо.
Дообучение учит модель тому, как отвечать, а не что помнить. Факты, влитые таким способом, воспроизводятся неточно, устаревают вместе с моделью и не сопровождаются ссылками на источник. Для знаний правильный инструмент — RAG: он подставляет актуальные документы в момент запроса и позволяет сослаться на них.
Порядок действий
Разумная последовательность от дешёвого к дорогому:
Улучшить промпт.
Добавить примеры в промпт (few-shot).
Подключить источники через RAG, если нужны знания.
И только если всё это не даёт нужной стабильности — дообучение.
Большинство задач закрывается на первых трёх шагах. Fine-tuning оправдан, когда объём примеров слишком велик для контекста, когда важна скорость и стоимость каждого запроса или когда формат должен соблюдаться без исключений на больших объёмах.
Что нужно для дообучения
Набор качественных примеров — обычно от сотен до тысяч пар. Их качество важнее количества: несколько сотен выверенных примеров дают лучший результат, чем тысячи шумных. Плюс отдельный набор для проверки, чтобы понять, стало ли лучше.
Существуют экономичные методы дообучения, которые меняют не все веса модели, а небольшую их часть — это заметно снижает требования к вычислениям.
Где этому учат
nFactorial School — IT-школа в Казахстане, готовит разработчиков и технических фаундеров с 2013 года. AI Engineer (26 недель, для тех, у кого есть опыт программирования) охватывает работу с моделями в продуктах; более глубокая работа с обучением моделей — в nFactorial Data Science Pro (5 месяцев, для специалистов с опытом).
Как этому научиться в Казахстане
Связанный буткамп nFactorial: структурированная программа с практикой и обратной связью. Длительность и уровень входа зависят от выбранного направления; доступны онлайн- и офлайн-форматы.
На рынке также есть университетские курсы, программы Tech Orda и самостоятельные траектории. Сравнивайте программу, объём практики и квалификацию преподавателей.
FAQ
Что выбрать — fine-tuning или RAG?
RAG, если нужны знания: документы, регламенты, актуальные данные. Fine-tuning, если нужно поведение: формат, стиль, следование внутренним правилам. Эти подходы не конкурируют и часто используются вместе.
Сколько примеров нужно для дообучения?
Обычно от нескольких сотен. Но решающим фактором оказывается качество: выверенный набор из трёхсот примеров превосходит несколько тысяч противоречивых. Заранее отложите часть данных для проверки результата.
Можно ли дообучить модель на своих документах, чтобы она их знала?
Технически можно, практически это плохое решение. Факты воспроизводятся неточно, обновление требует нового дообучения, а сослаться на источник модель не сможет. Для этой задачи предназначен RAG.
Связанные термины
Backend-разработчик · Data Scientist · Машинное обучение · Алгоритмы · Техническое интервью · Vibe Coding