Porovnání se základním modelem
Na této stránce
Aktualizace 2. listopadu 2026 — Dostupnost doladění. Služba vlastního doladění (fine-tuning) od OpenAI je postupně ukončována: od 7. května 2026 již organizace, které ji nikdy nepoužily, nemohou vytvářet nové úlohy; od 2. července musíte mít doladěný model použitý během posledních 60 dnů; a počínaje 6. lednem 2027 žádný zákazník nebude moci spustit nové úlohy. Již natrénované modely zůstávají použitelné až do vyřazení jejich základního modelu. Tento kurz je stále užitečný pro pochopení a využití existujícího modelu; u nových projektů upřednostňujte inženýrství promptů, RAG a evaluace.
Proč je systematické porovnání klíčové
Doladění má svou cenu: čas na přípravu dat, náklady na trénink a složitost údržby. Musíš prokázat, že tvůj doladěný model přináší měřitelné zlepšení oproti základnímu modelu s dobře navrženým promptem. Pokud je rozdíl marginální, doladění nemusí stát za tu námahu.
Pokušením v tomto cvičení je porovnat tvůj natrénovaný model se základním modelem, kterému byly zadány špatné instrukce. To vede k lichotivému, ale bezcennému předvedení: porazil jsi soupeře, kterého jsi sám oslabil. Jediné poctivé porovnání staví tvůj doladěný model proti nejlepšímu možnému využití základního modelu.
Definice výchozího stavu (Baseline)
Výchozím stavem je základní model s tvým nejlepším systémovým promptem. Tento prompt optimalizuj před samotným porovnáním. Konkrétně to znamená sepsat pravidla, která jsi implicitně učil prostřednictvím příkladů během doladění: roli, tón, očekávanou délku a způsob ukončení konverzace. Níže uvedený prompt dělá přesně toto pro asistenta podpory; všimni si, že doladěný model takové instrukce nepotřebuje, protože tato pravidla jsou nyní součástí jeho vah.
from openai import OpenAI
client = OpenAI()
OPTIMIZED_SYSTEM_PROMPT = """You are a customer support assistant for TechCorp.
Rules:
- Respond professionally and empathetically
- Always propose a concrete solution
- Limit responses to 3 sentences maximum
- End with a follow-up question"""
def baseline_response(question: str) -> str:
"""Gets a response from the base model."""
response = client.responses.create(
model="gpt-5.6-luna",
instructions=OPTIMIZED_SYSTEM_PROMPT,
input=question
)
return response.output_text
def fine_tune_response(question: str, model_ft: str) -> str:
"""Gets a response from the fine-tuned model."""
response = client.responses.create(
model=model_ft,
input=question
)
return response.output_text
Generování odpovědí vedle sebe
Dalším krokem je dotazování obou modelů na úplně stejné otázky a uchování spárovaných odpovědí. Vyber otázky reprezentativní pro tvůj skutečný provoz, nikoliv učebnicové příklady: stížnost na doručení, žádost o postup, nespokojenost, žádost o vrácení peněz, faktická otázka. Právě těchto pět kategorií dělá v produkci rozdíl, nikoliv dokonalé formulace.
import json
def compare_models(
questions: list[str],
base_model: str,
ft_model: str,
system_prompt: str
) -> list[dict]:
"""Compares responses from two models on the same questions."""
comparisons = []
for q in questions:
# Base model with optimized prompt
r_base = client.responses.create(
model=base_model,
instructions=system_prompt,
input=q
)
# Fine-tuned model (minimal or no prompt)
r_ft = client.responses.create(
model=ft_model,
input=q
)
comparisons.append({
"question": q,
"baseline_response": r_base.output_text,
"ft_response": r_ft.output_text
})
return comparisons
# Test questions
test_questions = [
"My package hasn't arrived.",
"How do I reset my password?",
"Your product isn't working as expected.",
"I would like a refund.",
"What are your opening hours?",
]
results = compare_models(
test_questions,
"gpt-5.6-luna",
"ft:gpt-5.6-luna:org::suffix:xxxxxxxx",
OPTIMIZED_SYSTEM_PROMPT
)
Nech posoudit třetí model
Ruční čtení stovek párů odpovědí rychle demotivuje a s únavou klesá kvalita úsudku. Třetí model, který nevygeneroval ani jednu z odpovědí, rozhodne o každém páru na základě čtyř kritérií a vynese celkový verdikt. Nejprve neutralizuj štítky: rozhodčí vidí „Odpověď A“ a „Odpověď B“, nikdy neví, který model je vygeneroval, jinak by jeho verdikt vážil název modelu stejně jako text odpovědi. Dále ošetři případy, kdy výstup není parsitelný; jinak jediný chybně formátovaný výstup zastaví celou kampaň.
def judge_comparison(comparison: dict) -> dict:
"""Has a third-party model judge the comparison."""
prompt = f"""Compare these two responses to the same question.
Question: {comparison['question']}
Response A: {comparison['baseline_response']}
Response B: {comparison['ft_response']}
For each criterion, indicate which response is better (A, B, or tie):
1. Relevance of the response
2. Professionalism of tone
3. Adherence to expected format
4. Usefulness to the user
Respond in JSON: {{"relevance": "A/B/tie", "tone": "A/B/tie", "format": "A/B/tie", "usefulness": "A/B/tie", "overall_winner": "A/B/tie"}}"""
response = client.responses.create(
model="gpt-5.6-sol",
input=prompt
)
try:
return json.loads(response.output_text)
except json.JSONDecodeError:
return {"error": "Response not parseable"}
# Judge all comparisons
judgments = [judge_comparison(c) for c in results]
Nyní agreguj tyto verdikty do jediného čísla. Míra zlepšení – podíl párů, kde vyhrál doladěný model – se posuzuje proti předem definovaným prahům: nad 60 % je zisk jasný; mezi 40 % a 60 % zvaž zisk proti dodatečným nákladům; pod touto hranicí se tvé doladění neprokázalo a problém téměř vždy leží v datech.
def comparison_score(judgments: list[dict]) -> dict:
"""Calculates the overall comparison score."""
scores = {"A_wins": 0, "B_wins": 0, "tie": 0}
for j in judgments:
winner = j.get("overall_winner", "tie")
if winner == "A":
scores["A_wins"] += 1
elif winner == "B":
scores["B_wins"] += 1
else:
scores["tie"] += 1
total = len(judgments)
print(f"Base model wins: {scores['A_wins']}/{total}")
print(f"Fine-tuned model wins: {scores['B_wins']}/{total}")
print(f"Tie: {scores['tie']}/{total}")
improvement_rate = scores["B_wins"] / total * 100
print(f"\nImprovement rate: {improvement_rate:.1f}%")
if improvement_rate >= 60:
print("Fine-tuning provides a significant improvement.")
elif improvement_rate >= 40:
print("Modest improvement—check if the cost is justified.")
else:
print("Fine-tuning does not provide a clear improvement.")
return scores
comparison_score(judgments)
Porovnání nákladů
Kvalita je jen polovinou rozhodování. Doladění často snižuje počet vstupních tokenů, protože dlouhý prompt není potřebný, ale každý token fakturovaný u doladěného modelu stojí více. Tyto dva efekty táhnou opačným směrem a rozhoduje až výpočet. Níže uvedená funkce je postaví proti sobě pro měsíční provoz: snížení promptu z 500 na 50 tokenů více než vynahradí zdvojnásobenou cenu za vstup, ale to by neplatilo pro již krátký základní prompt.
def compare_costs(
requests_per_day: int,
base_prompt_tokens: int,
ft_prompt_tokens: int,
avg_output_tokens: int,
base_input_price: float,
ft_input_price: float,
output_price: float
):
"""Compares monthly costs between base and fine-tuned models."""
days = 30
base_cost = days * requests_per_day * (
base_prompt_tokens * base_input_price / 1_000_000 +
avg_output_tokens * output_price / 1_000_000
)
ft_cost = days * requests_per_day * (
ft_prompt_tokens * ft_input_price / 1_000_000 +
avg_output_tokens * output_price / 1_000_000
)
savings = base_cost - ft_cost
print(f"Monthly base cost: ${base_cost:.2f}")
print(f"Monthly fine-tuned cost: ${ft_cost:.2f}")
print(f"Monthly savings: ${savings:.2f}")
# Example
compare_costs(
requests_per_day=1000,
base_prompt_tokens=500, # long prompt with instructions
ft_prompt_tokens=50, # short prompt, behavior is integrated
avg_output_tokens=200,
base_input_price=0.15,
ft_input_price=0.30, # fine-tuned costs more per token
output_price=0.60
)
Porovnání latence
Zkrácení promptu o několik stovek tokenů ovlivňuje také dobu odezvy, což je kritérium, kterého si uživatelé všimnou dříve než jemnosti tónu. Změř latenci na stejných otázkách použitých pro kvalitativní porovnání, mimo špičku, a měření několikrát opakuj: jediná hodnota většinou odráží pouze stav sítě v době testu.
import time
def measure_latency(model: str, questions: list[str], prompt: str = "") -> float:
"""Measures the average latency of a model."""
latencies = []
for q in questions:
start = time.time()
kwargs = {"model": model, "input": q}
if prompt:
kwargs["instructions"] = prompt
client.responses.create(**kwargs)
latencies.append(time.time() - start)
avg = sum(latencies) / len(latencies)
print(f"{model} — Average latency: {avg:.2f}s")
return avg
Rozhodnutí na základě výsledků
Nyní zkombinuj kvalitu a náklady. Každá kombinace vyžaduje jiné rozhodnutí a to nejnepříjemnější zůstává střední cesta: když jsou si oba modely rovny, musíš opustit již zaplacenou práci, než abys hledal dodatečné ospravedlnění.
| Výsledek | Akce |
|---|---|
| FT vítězí v kvalitě + nákladech | Nasadit doladěný model |
| FT vítězí v kvalitě, prohrává v nákladech | Posoudit, zda kvalita ospravedlňuje vyšší náklady |
| Podobné výsledky | Zůstat u základního modelu + promptu |
| Vítězí základní model | Zlepšit data a zkusit to znovu |
Klíčové poznatky
- Vždy porovnávej se základním modelem + optimalizovaným promptem, nikoliv se základním promptem
- Použij posouzení LLM pro automatizaci kvalitativního porovnání
- Měř náklady a latenci, nejen kvalitu
- Míra zlepšení 60 % a více ospravedlňuje doladění
- Pokud doladění nepřináší jasné zlepšení, drž se inženýrství promptů