Hvornår og hvorfor du bør finjustere en model
På denne side
Opdatering 2. november 2026 — Tilgængelighed af finjustering. OpenAIs selvbetjente finjustering udfases: Siden 7. maj 2026 har organisationer, der aldrig har brugt tjenesten, ikke kunnet oprette nye jobs; siden 2. juli skal du have brugt en finjusteret model inden for de sidste 60 dage; og fra 6. januar 2027 vil ingen kunder kunne starte nye jobs. Allerede trænede modeller forbliver brugbare, indtil deres basismodel udgår. Dette kursus er stadig nyttigt til at forstå og udnytte en eksisterende model; til nye projekter bør du prioritere prompt engineering, RAG og evalueringer.
Hvad er finjustering?
Finjustering indebærer at gentræne en eksisterende sprogmodel på dine egne data for at tilpasse dens adfærd til dine specifikke behov. Hvor prompt engineering guider modellen med kontekstuelle instrukser – som omskrives, sendes og faktureres ved hvert kald – modificerer finjustering modellens interne vægte for permanent at indlejre nye adfærdsmønstre. Når træningen er afsluttet, bliver det, du tidligere beskrev i en lang system-prompt, en integreret del af selve modellen.
Hos OpenAI følger modeller, der kan finjusteres, den aktuelle katalog (familien GPT-5.6 siden juli 2026) – tjek den officielle dokumentation for finjustering for den nøjagtige liste over varianter, der er åbne for træning. Selve arbejdsgangen ændrer sig ikke: Du opretter et træningsdatasæt i JSONL-format, starter et job via API’en og modtager en brugerdefineret model, som du kalder præcis som basismodellen. I din kode er det kun modelidentifikatoren, der ændres.
Hvornår er finjustering passende?
Finjustering er ikke altid det rigtige svar, og det er det første, du skal internalisere, før du skriver en eneste linje JSONL. Det leverer reel værdi primært inden for tone og stil: Hvis dit produkt kræver en specifik stemme, sparer det dig for at gentage disse instrukser i hver eneste prompt at træne modellen på et par hundrede udvekslinger, der allerede er skrevet i denne stemme. Det andet stærke anvendelsestilfælde er formatering af struktureret output. Når din pipeline forventer JSON med et skema, der aldrig må variere, bringer velskrevne instrukser dig tæt på målet, men garanterer aldrig 100 % overholdelse; systematisk korrekte eksempler reducerer dette gab til næsten nul.
Disse to drivkræfter fører mekanisk til to andre. En finjusteret model, der forespørges med en kort prompt, responderer hurtigere end en basismodel, der er belastet af en lang system-prompt, hvilket reducerer den ventetid, brugeren oplever; og færre input-tokens betyder en lettere regning ved konstant volumen, hvilket resulterer i omkostningsbesparelser, der viser sig direkte på en tjeneste, der håndterer flere tusind forespørgsler om dagen.
To yderligere opgavefamilier skiller sig ud, hvor finjustering excellerer. Den første dækker klassificeringsopgaver: kategorisering af supportbilletter, analyse af sentiment, sortering af dokumenter. Det forventede output her er kort, lukket og perfekt illustreret ved eksempel. Den anden er konsistent funktionskald: Når modellen systematisk skal kalde de rigtige funktioner med de rigtige parametre, virker det bedre at vise den hundrede korrekte kald end at beskrive reglen.
Omvendt bør fire situationer få dig til at vælge andre løsninger. Hvis du har få data, under 50 eksempler, vil prompt engineering med et fåtal af få-skuds eksempler (few-shot examples) præstere bedre for langt mindre besvær. Hvis dit domæne ændrer sig hurtigt, med et produktkatalog eller priser, der skifter ugentligt, vil RAG (Retrieval-Augmented Generation) spare dig for konstant gen træning. Den mest almindelige forvirring handler om at forsøge at indsætte faktuel viden: Finjustering lærer adfærd, ikke fakta, og her er RAG igen det rigtige værktøj. Endelig, hvis prompt engineering er tilstrækkeligt, hvis et fåtal velformulerede instrukser allerede giver gode resultater, så ikke komplicer din pipeline uden grund.
Finjustering kontra alternativer
Disse tre tilgange er ikke konkurrenter: De adresserer forskellige behov og kombineres meget godt, for eksempel en finjusteret model til formatering fodret af RAG til fakta.
| Tilgang | Ideel til | Begrænsninger |
|---|---|---|
| Prompt engineering | Hurtig prototyping, varierede opgaver | Forbruger tokens, variable resultater |
| RAG | Dynamisk viden, dokumentbaser | Øget ventetid, kompleksitet i infrastruktur |
| Finjustering | Stabile adfærdsmønstre, tone, format, klassificering | Kræver data, træningsomkostninger |
Typisk arbejdsgang
Resten af dette kursus følger den rækkefølge, hvori du faktisk vil udføre disse trin. Tag dig et par minutter, før du fortsætter, til at nedskrive det første: At artikulere den ønskede adfærd i en enkelt sætning vil spare dig for at indsamle data tilfældigt.
- Identificér behovet: Hvilken adfærd ønsker du, at modellen skal adoptere systematisk?
- Indsaml data: Saml mindst 50 til 100 eksempler på ideelle samtaler
- Forbered JSONL: Formatér dine data efter det skema, som API’en forventer
- Start træning: Opret et finjusteringsjob via
client.fine_tuning.jobs.create() - Evaluér: Sammenlign den finjusterede models ydeevne med basismodellen
- Iterér: Justér dine data og kør igen om nødvendigt
Vigtige pointer
- Finjustering ændrer modellens adfærd, ikke dens faktuelle viden
- Det giver mening, når du har tilstrækkelige data og et behov for konsistens
- Start altid med prompt engineering – finjustér kun, hvis det ikke er nok
- Listen over modeller, der kan finjusteres, udvikler sig sammen med OpenAIs katalog – tjek den officielle dokumentation, før du starter et job