[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-fine-tuning::ru":3,"gloss-cluster-fine-tuning::ru":23,"gloss-next-fine-tuning::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"fine-tuning","core-ai","Дообучение (Fine-Tuning)","Дообучение (fine-tuning) берёт предобученную foundation-модель и продолжает её обучение на меньшем, тщательно отобранном датасете, специфичном для задачи, домена или стиля — корректируя внутренние веса модели так, чтобы её поведение по умолчанию сдвигалось в сторону того, что демонстрирует этот датасет. Это принципиально отличается от промптинга или RAG, которые формируют вывод во время инференса, не трогая веса модели. Дообучение важно для SaaS-разработчиков, когда промпт-инжиниринг и RAG упираются в потолок: когда нужно устойчивое форматирование в масштабе (всегда возвращать валидный JSON по вашей схеме), очень специфичный тон (соответствие голосу бренда в тысячах генераций) или специализированный навык (классификация тикетов поддержки по 40 кастомным категориям) более надёжно и дешевле за вызов, чем даёт длинный системный промпт. Типичный процесс: собрать датасет пар вход\u002Fвыход (от сотен до десятков тысяч, в зависимости от сложности задачи), отформатировать по спецификации поставщика, загрузить в API дообучения, и поставщик обучает новый чекпоинт модели поверх базовой. Конкретный пример: SaaS-компания, разрабатывающая функцию составления писем, собирает 2000 пар вида `{\"input\": \"жалоба клиента на задержку доставки\", \"output\": \"[реальный ответ в голосе их бренда]\"}`, отправляет их через `POST \u002Fv1\u002Ffine_tuning\u002Fjobs {\"training_file\": \"file-abc123\", \"model\": \"gpt-4o-mini-2024-07-18\"}` и после обучения получает новый ID модели вроде `ft:gpt-4o-mini:acme:support-v1:xyz`, который вызывают вместо базовой модели — теперь ответы по умолчанию звучат в их тоне без необходимости писать 500-словный системный промпт при каждом вызове. Дообучение меняет гибкость на устойчивость и более низкую стоимость токенов за вызов (короче промпты), но итерировать медленнее, чем через промптинг, требует качественных обучающих данных (принцип «мусор на входе — мусор на выходе» тут работает особенно сильно), а полное дообучение крупных моделей вычислительно дорого — поэтому параметрически эффективные методы вроде LoRA стали доминирующим подходом. Дообучение — не всегда правильный рычаг, и распространённая ранняя ошибка — хвататься за него слишком рано. Если проблема в том, что модели не хватает нужной информации, решение — RAG, а не дообучение: дообучение учит поведению и стилю, а не новым фактам, и дообученная модель может так же легко галлюцинировать обо всём, что выходит за пределы её обучающих данных, как и базовая. Если проблема — непоследовательное форматирование в горстке крайних случаев, улучшенный промптинг или few-shot примеры часто закрывают разрыв дешевле, чем цикл обучения. Дообучение окупает себя именно тогда, когда нужно, чтобы поведение было надёжным на тысячах вызовов без повторения длинной инструкции каждый раз, или когда меньшая дообученная модель может заменить более крупную универсальную для узкой задачи за малую долю стоимости инференса — что часто и есть реальный драйвер ROI, а не сырое улучшение качества.","Дообучение продолжает тренировку готовой модели на меньшем, специализированном датасете, чтобы закрепить нужное поведение, тон или формат вывода.",null,[11,14,17,20],{"slug":12,"name":13},"distillation","Дистилляция знаний (Knowledge Distillation)",{"slug":15,"name":16},"foundation-model","Базовая (фундаментальная) модель",{"slug":18,"name":19},"lora","Низкоранговая адаптация (LoRA)",{"slug":21,"name":22},"rlhf","Обучение с подкреплением на основе обратной связи от человека (RLHF)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]