Fine-Tuning
Zusätzliches Training eines fertigen Modells mit ausgewählten eigenen Beispielen.
Einfach erklärt
Fine-Tuning nimmt ein vorhandenes Modell und trainiert es mit einer überschaubaren Menge eigener Beispiele weiter. Sinnvoll ist das vor allem für Form und Stil: ein festes Antwortformat, ein bestimmter Ton, ein Fachvokabular. Die Beispiele müssen sauber vorbereitet sein, das kostet Zeit und Geld.
Fine-Tuning macht Antworten nicht automatisch aktueller oder korrekter. Für aktuelles oder internes Wissen ist meist RAG der bessere Weg, weil es Dokumente zur Laufzeit heranzieht, ohne das Modell dafür erneut zu trainieren. Ein Dienstleister, der sofort zu teurem Fine-Tuning rät, sollte begründen, warum ein einfacherer Weg nicht reicht.
Beispiel aus dem Alltag
Eine Kanzlei trainiert ein Modell mit Beispielen für ihr Schriftsatz-Layout. Anschließend prüft sie an neuen Entwürfen, ob das gewünschte Format eingehalten wird.
Häufige Fragen
Was unterscheidet Fine-Tuning von RAG?
Fine-Tuning verändert Modellwerte durch weiteres Training. RAG stellt zur Anfrage passende Dokumente bereit. Welche Methode passt, hängt von Aufgabe, Daten, Kosten und Tests ab.
Kann Fine-Tuning Wissen verändern?
Ja, es kann auch fachliche Inhalte und Fähigkeiten beeinflussen. Es garantiert aber weder vollständige Aktualität noch korrekte Antworten. Häufig wechselnde Fakten lassen sich oft leichter über eine gepflegte Dokumentensuche bereitstellen.
Wann ist es sinnvoll?
Wenn ein klar definiertes Verhalten durch Beispiele verbessert werden soll und ein Vergleichstest einen Nutzen gegenüber einfacheren Lösungen zeigt.