Fine-tuning (дообучение)
Fine-tuning (файн-тюнинг, дообучение нейросети) — это доработка готовой языковой модели на ваших примерах: модели показывают сотни или тысячи пар «запрос → эталонный ответ», и она корректирует внутренние веса под задачу. Итог — модель, которая стабильно отвечает в нужном формате, стиле или узкой предметной области.
Главное заблуждение: «дообучим модель на наших документах, и она будет их знать». Для знаний fine-tuning подходит плохо: факты в весах перемешиваются, устаревают при каждом обновлении документов, а источник ответа проверить нельзя. Знания подключают через RAG — поиск по векторной базе с передачей найденных фрагментов в контекст. Fine-tuning меняет то, как модель отвечает; RAG — то, что она знает.
Три способа адаптировать модель под задачу:
| Подход | Что меняет | Какие данные нужны | Срок | Порядок стоимости |
|---|---|---|---|---|
| Промптинг | Инструкции в запросе | Не нужны | Часы | Входит в любой проект |
| RAG | Знания в контексте | Ваши документы | Недели | Пилот от 130 000 ₽ |
| Fine-tuning | Веса модели | Сотни–тысячи размеченных пар | Недели–месяцы | В составе продукта от 390 тыс. ₽ |
Порядок выбора всегда один: сначала промпт, затем RAG, и только если оба упёрлись в потолок — дообучение. В большинстве бизнес-проектов до fine-tuning дело не доходит: промпт и RAG закрывают задачу дешевле и быстрее.
Ключевые преимущества
- Меняет веса модели: учит формату и стилю, а не фактам
- Знания компании подключаются через RAG, а не через дообучение
- Нужны сотни–тысячи размеченных пар «запрос → эталонный ответ»
- Оправдан на стабильной узкой задаче, где промпт и RAG упёрлись в потолок
- Порядок работы: сначала промптинг, потом RAG, дообучение — последним
Примеры
Классификация обращений техподдержки по 40 внутренним категориям: дообученная компактная модель дешевле и стабильнее большой модели с длинным промптом. Извлечение полей из отраслевых документов — актов, смет, накладных — в строгий JSON. Ответы в выверенном тоне бренда для массовых коммуникаций. Разметка и суммаризация звонков по внутренней методологии отдела продаж.
Когда это нужно
Fine-tuning оправдан, когда: задача узкая и стабильная (классификация, извлечение, форматирование), накоплены сотни–тысячи качественных примеров, промпт и RAG уже выжаты, а объём запросов большой — дообученная компактная модель экономит на каждом вызове. Не оправдан, когда: нужно «знание» документов (это RAG), данные меняются еженедельно, примеров меньше пары сотен или задача ещё не устоялась.
Связанные термины
Частые вопросы
Чем fine-tuning отличается от RAG?
RAG подкладывает модели ваши документы в момент запроса: знания обновляются мгновенно, источник ответа проверяем. Fine-tuning меняет саму модель: она усваивает формат и стиль, но не становится надёжным хранилищем фактов. Для «отвечай по нашей базе» — RAG. Для «отвечай в нашем формате» — fine-tuning. В зрелых проектах их нередко сочетают.
Сколько данных нужно для дообучения?
Для корректировки стиля и формата — от нескольких сотен пар «запрос → эталонный ответ». Для классификации и извлечения — от 500–1000 примеров на устойчивый результат. Качество важнее объёма: 300 вычитанных пар дают больше, чем 3000 сырых. Подготовка и разметка данных — основная часть трудозатрат всего проекта.
Сколько стоит fine-tuning?
Отдельной услугой его почти не заказывают — это этап внутри продукта с ИИ, а вилка таких проектов — 390 тыс. – 2 млн ₽. Основные затраты — не машинное время, а сбор и разметка примеров. Начинать дешевле с RAG-пилота от 130 000 ₽: он показывает, нужен ли fine-tuning вообще.
Можно ли дообучить ChatGPT на данных компании?
У OpenAI и других провайдеров есть API дообучения для части моделей: модель остаётся у провайдера, вы обращаетесь к своей версии. Открытые модели (Llama, Qwen) дообучают методом LoRA и разворачивают в своём контуре — вариант для закрытых данных. В обоих случаях сначала проверьте, не решается ли задача промптом и RAG — чаще всего решается.
Читайте также
Внедрение ИИ
Внедряем искусственный интеллект в ваши бизнес-процессы: чат-боты на GPT, анализ документов, предиктивная аналитика, компьютерное зрение. От 130К, первый пилот — за 2 недели.
Сколько стоит ИИ-агент для бизнеса в 2026
Пилот ИИ-агента на одном сценарии — от 130 000 ₽ за 2–5 недель, продукт с интеграциями — 390 тыс. – 2 млн ₽, сопровождение — от 30 тыс. ₽/мес. Разбираем состав сметы, факторы цены и расчёт окупаемости.
Векторная база данных
Векторная база данных: что это простыми словами, как устроен поиск по смыслу, зачем нужна RAG и ИИ-агентам. Примеры — pgvector и Qdrant, частые вопросы.
RAG — что это
RAG — Retrieval-Augmented Generation: связка векторного поиска по базе знаний и LLM. Свежие данные без дообучения, снижает галлюцинации. Архитектура, инструменты.
Готовы начать проект?
Расскажите о задаче — мы предложим решение, сроки и стоимость. Первая консультация бесплатна.
30 минут · Бесплатно · Без обязательств