Файн-тюнинг — дообучение готовой языковой модели на своих примерах. Его часто предлагают как решение задачи «чтобы ИИ знал нашу компанию», хотя для этой задачи он почти всегда лишний и дорогой. Разбираем, что дообучение делает на самом деле, когда оно оправдано, сколько стоит в 2026 году и что изменилось после того, как OpenAI начала сворачивать свою платформу дообучения.

1. Что такое файн-тюнинг

Готовая модель обучена на текстах всего интернета и умеет отвечать в общем виде. Файн-тюнинг — это дополнительный этап обучения на ваших примерах, после которого модель начинает вести себя иначе: держит нужный формат, тон и структуру ответа.

Формально вы даёте набор пар «запрос — правильный ответ», и модель подстраивает внутренние веса так, чтобы её ответы стали похожи на ваши образцы. Это не загрузка знаний в память, а настройка манеры отвечать. Разница принципиальная, и именно её чаще всего не понимают при заказе.

2. Что он даёт, а что нет

Задача Решает ли файн-тюнинг
Отвечать в едином стиле и формате да, это его основное применение
Классифицировать по вашим правилам да, качество заметно растёт
Использовать вашу терминологию да
Короче и дешевле запросы да, инструкции переезжают в модель
Знать актуальные цены и остатки нет
Отвечать по документам компании нет, для этого другой подход
Не выдумывать факты нет, иногда даже наоборот

Последние три строки — ключевые. Если задача звучит как «чтобы ассистент отвечал клиентам по нашему прайсу», дообучение её не решает: прайс меняется, а переобучать модель на каждое изменение цены невозможно. Для этого используют подключение данных в момент запроса — разбор в статье про обучение нейросети на данных компании.

3. Когда он действительно нужен

  • Строгий формат ответа. Нужно, чтобы модель всегда выдавала структуру определённого вида — карточку товара по шаблону, разметку документа, JSON фиксированной формы.
  • Узкая повторяющаяся классификация. Разложить обращения по вашим внутренним категориям, которых нет ни в одном справочнике.
  • Особый стиль. Тон бренда, отраслевой жаргон, специфические формулировки, которые не описать инструкцией в двух абзацах.
  • Экономия на объёме. Когда операций десятки тысяч в месяц, а длинная инструкция в каждом запросе стоит денег: после дообучения запрос становится короче, и на масштабе это окупается.
  • Работа маленькой модели вместо большой. Дообученная лёгкая модель на узкой задаче нередко догоняет флагман, а стоит в разы меньше.

Общее правило: файн-тюнинг оправдан, когда задача узкая, повторяется тысячи раз и требования к форме ответа жёсткие.

4. Три альтернативы, которые пробуют раньше

  1. Хорошая инструкция в запросе. Подробное описание роли, правил, формата и два-три примера решают большую часть задач без единого тенге на обучение. Начинать нужно отсюда — всегда.
  2. Примеры прямо в запросе. Несколько образцов «вопрос — ответ» внутри промпта дают эффект, близкий к дообучению, на небольших объёмах.
  3. Подключение своих данных. Модель получает нужные куски документов в момент запроса и отвечает по ним. Это решает задачу актуальности, с которой дообучение не справляется в принципе.

По опыту, до дообучения доходит примерно одна задача из десяти: остальные закрываются первыми тремя способами.

5. Какие нужны данные

Это главный ограничитель. Модель дообучают на парах «вход — желаемый выход», и качество результата определяется качеством этих пар.

Требование Практика
Количество от нескольких сотен примеров; для устойчивого результата — тысячи
Однородность все примеры в одном формате и стиле, иначе модель «размывается»
Чистота ошибки в примерах модель воспроизведёт как правило
Отражение реальности примеры должны покрывать те случаи, что встречаются в работе
Проверочный набор 10-20% примеров откладываются, чтобы измерить результат

Именно сбор и вычитка данных занимают основную часть бюджета проекта, а не вычисления. Компании обычно недооценивают это в несколько раз.

6. LoRA и полное дообучение

Полное дообучение меняет все веса модели: дорого, требует серьёзного железа и большого набора данных. В прикладных задачах его почти не применяют.

Практический стандарт 2026 года — LoRA и её экономная версия QLoRA: к модели добавляются небольшие обучаемые «надстройки», а основная часть остаётся нетронутой. Это дешевле на порядки, быстрее и позволяет держать несколько адаптеров под разные задачи на одной базовой модели.

Типичный современный подход — QLoRA поверх открытой модели: Llama, Qwen, Gemma или Mistral. Инструменты вроде Unsloth позволяют дообучить модель среднего размера на одной видеокарте, а более крупные — на арендованной за несколько часов.

7. Сколько стоит в 2026 году

Вычисления

Сама тренировка перестала быть дорогой: LoRA-дообучение небольшой открытой модели обходится в единицы долларов аренды видеокарты, крупной — в десятки. У облачных провайдеров обучение считается по токенам: для линейки GPT-4.1 это порядка нескольких долларов за миллион обучающих токенов, у облегчённой версии — меньше доллара.

Скрытая часть счёта

  • Подготовка данных. Сбор, разметка, вычитка — десятки часов работы людей, которые понимают предметную область.
  • Эксперименты. Первая версия почти никогда не даёт нужного качества: обычно требуется несколько итераций.
  • Дороже инференс. У облачных провайдеров запросы к дообученной модели стоят заметно выше, чем к базовой — например, в линейке GPT-4.1 разница ощутима на каждой тысяче запросов.
  • Поддержка. Модели устаревают, базовые версии обновляются, дообучение приходится повторять.

Итог: вычисления — самая дешёвая часть, люди и время — самая дорогая. Проект, где обучение стоило пятьдесят долларов, легко превращается в несколько сотен часов подготовки.

8. Что изменилось у OpenAI

Важная новость 2026 года, которую стоит учитывать при планировании: OpenAI сворачивает платформу дообучения. С мая 2026 она закрыта для новых пользователей, а тем, у кого доступ остался, обучение доступно на моделях предыдущего поколения — линейке GPT-4.1 и o4-mini. Актуальные флагманские модели поколения GPT-5 дообучению не подлежат.

Что это означает практически:

  • Если вы только планируете дообучение и рассчитывали на OpenAI — скорее всего, придётся выбирать другой путь.
  • Основной сценарий сместился к открытым моделям с LoRA: их можно дообучать без ограничений и разворачивать где угодно, включая свой сервер.
  • Ещё один довод в пользу того, чтобы сначала выжать максимум из инструкций и подключения данных: эти способы не зависят от политики одного поставщика.

9. Как выглядит проект по шагам

  1. Проверка гипотезы без обучения. Собираем подробную инструкцию с примерами и замеряем качество. Часто на этом всё и заканчивается — задача решена.
  2. Сбор данных. Несколько сотен пар «вход — ответ» из реальной работы, вычитка, приведение к единому формату.
  3. Выбор базовой модели. Размер под задачу и бюджет, открытая или облачная — в зависимости от требований к данным.
  4. Дообучение. LoRA, несколько прогонов с разными настройками.
  5. Замер. Сравнение с исходной моделью на отложенных примерах: стало ли лучше и насколько.
  6. Внедрение и наблюдение. Ответы контролируются, ошибки собираются и идут в следующую итерацию.

10. Как понять, что дообучение вам не нужно

Быстрая проверка перед тем, как закладывать бюджет. Если хотя бы на три вопроса ответ «да» — начинайте не с дообучения.

  • Задача формулируется как «чтобы знал наши цены и услуги»?
  • Данные, по которым нужно отвечать, меняются чаще раза в квартал?
  • У вас меньше нескольких сотен готовых пар «вопрос — эталонный ответ»?
  • Объём операций — сотни в месяц, а не десятки тысяч?
  • Вы ещё не пробовали решить задачу подробной инструкцией с примерами?
  • Нужна ссылка на источник в ответе?

В этих случаях дешевле и быстрее подключить базу знаний. Дообучение остаётся вариантом для узких повторяющихся задач с жёстким форматом — и обычно после того, как остальные способы упёрлись в потолок.

11. Ошибки и типичные разочарования

  • Ждать, что модель «выучит» прайс. Самое частое непонимание: дообучение меняет манеру, а не базу фактов.
  • Мало данных. На пятидесяти примерах результат обычно неотличим от хорошей инструкции — деньги потрачены зря.
  • Грязные примеры. Модель уверенно копирует ошибки, которые были в обучающем наборе.
  • Нет замера «до». Без сравнения с базовой моделью невозможно доказать, что дообучение вообще что-то дало.
  • Потеря общих способностей. При агрессивной настройке модель начинает хуже справляться со всем, кроме узкой задачи.
  • Ставка на одного поставщика. История с закрытием доступа у OpenAI показывает, что привязка к одной платформе — самостоятельный риск.

Мы начинаем такие проекты с расчёта, а не с технологии: смотрим, решается ли задача инструкциями и подключением данных, и только если нет — обсуждаем дообучение. Что вообще даёт ИИ бизнесу и где он окупается, разбирали в материале про ИИ для бизнеса, а как устроены сами модели — в статье про языковые модели.