Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Millal ja miks mudelit peenhäälestada

Õppetund 1 / 16 Värskendatud 2. november 2026 Edasijõudnutele
Sellel lehel
  1. Mis on peenhäälestus?
  2. Millal on peenhäälestus asjakohane?
  3. Peenhäälestus vs alternatiivid
  4. Tüüpiline töövoog
  5. Peamised punktid

Uuendus 2. november 2026 — Peenhäälestuse kättesaadavus. OpenAI iseteeninduslik peenhäälestus on järk-järgult kasutuselt kõrvaldatav: alates 7. maist 2026 ei saa organisatsioonid, kes seda varem kasutanud pole, enam uusi ülesandeid luua; alates 2. juulist peab olema viimase 60 päeva jooksul kasutatud peenhäälestatud mudelit; ja alates 6. jaanuarist 2027 ei saa ükski klient uusi ülesandeid käivitada. Juba treenitud mudelid jäävad kasutatavaks kuni nende baasmudeli kasutuselt kõrvaldamiseni. See kursus on endiselt kasulik olemasoleva mudeli mõistmiseks ja rakendamiseks; uute projektide puhul sea esikohale vihjeinseneeria (prompt engineering), RAG ja hindamine.

Mis on peenhäälestus?

Peenhäälestus tähendab olemasoleva keelemudeli ümberõppimist sinu enda andmetel, et kohandada selle käitumine sinu konkreetsete vajadustega. Kui vihjeinseneeria juhendab mudelit kontekstipõhiste juhistega – mida kirjutatakse ümber, saadetakse ja arveldatakse iga päringu korral –, siis peenhäälestus muudab mudeli sisemisi kaalusid, et põimida uued käitumismustrid sellesse püsivalt. Kui treenimine on lõppenud, saab see, mida varem kirjeldasid pikas süsteemivihjes, mudeli lahutamatuks osaks.

OpenAI keskkonnas järgivad peenhäälestatavad mudelid praegust kataloogi (alates juulist 2026 on selleks GPT-5.6 perekond) – täpse treenimiseks avatud variantide loetelu leiad ametlikust peenhäälestuse dokumentatsioonist. Töövoog ise ei muutu: lood treeningandmestiku JSONL-vormingus, käivitad ülesande API kaudu ja saad kohandatud mudeli, mida kutsud täpselt samamoodi nagu baasmudelit. Sinu koodis muutub vaid mudeli identifikaator.

Millal on peenhäälestus asjakohane?

Peenhäälestus pole alati õige lahendus ja see on esimene asi, mille peaksid enne esimese JSONL-rea kirjutamist selgeks saama. See toob reaalset väärtust eelkõige tooni ja stiili osas: kui sinu toode nõuab kindlat häält, säästab sellel häälel kirjutatud paarisaja dialoogi peal treenimine sind vajadusest neid juhiseid igas vihjes korrata. Teine tugev kasutusjuhtum on struktureeritud väljundi vormindamine. Kui sinu töövoog eeldab JSON-i skeemiga, mis ei tohi kunagi muutuda, viivad hästi kirjutatud juhised sind lähedale, kuid ei garanteeri kunagi 100% vastavust; süstemaatiliselt vastavad näited vähendavad seda lõhet peaaegu nullini.

Need kaks tegurit toovad mehaaniliselt kaasa veel kaks. Lühikese vihjega päritud peenhäälestatud mudel reageerib kiiremini kui pikk süsteemivihje koormatud baasmudel, mis vähendab kasutaja tajutavat latentsust; ja vähem sisendtokeneid tähendab sama mahuga väiksemat arvet, mis toob kaasa kulude vähenemise, mis kajastub otseselt teenuses, mis töötleb mitu tuhat päringut päevas.

Eristub veel kaks ülesannete rühma, kus peenhäälestus hiilgab. Esimene hõlmab klassifitseerimisülesandeid: tugipiletite kategoriseerimine, meeleolu analüüs, dokumentide sorteerimine. Siin on oodatav väljund lühike, suletud ja suurepäraselt näidetega illustreeritav. Teine on järjekindel funktsioonide kutsumine: kui mudel peab süstemaatiliselt kutsuma õigeid funktsioone õigete parameetritega, toimib saja õige kutse näitamine paremini kui reegli kirjeldamine.

Vastupidiselt sellele on neli olukorda, mis peaksid sind eemale hoidma. Kui sul on vähe andmeid, alla 50 näite, toimib vihjeinseneeria mõne üksiknäitega (few-shot) palju paremini ja palju vähema vaevaga. Kui sinu valdkond muutub kiiresti, näiteks tootekataloog või hinnad muutuvad iganädalaselt, päästab RAG (Retrieval-Augmented Generation) sind pidevast ümberõppimisest. Kõige levinum segadus tekib püüdes sisendada faktilisi teadmisi: peenhäälestus õpetab käitumist, mitte fakte, ja ka siin on õige tööriist RAG. Lõpuks, kui vihjeinseneeriast piisab, kui mõni hästi formuleeritud juhised annavad juba häid tulemusi, ära raskenda oma töövoogu asjatult.

Peenhäälestus vs alternatiivid

Need kolm lähenemist ei ole konkurendid: need lahendavad erinevaid vajadusi ja sobivad väga hästi kokku, näiteks vormindamiseks peenhäälestatud mudel, mida toidab faktide jaoks RAG.

Lähenemine Ideaalne kasutus Piirangud
Vihjeinseneeria Kiire prototüüpimine, mitmekesised ülesanded Tarbib tokeneid, muutlikud tulemused
RAG Dünaamilised teadmised, dokumendibaasid Suurenenud latentsus, taristu keerukus
Peenhäälestus Stabiilsed käitumismustrid, toon, vorming, klassifitseerimine Nõuab andmeid, treenimiskulu

Tüüpiline töövoog

Selle kursuse ülejäänud osa järgib järjekorda, milles sa need sammud tegelikult sooritad. Võta enne jätkamist paar minutit, et kirjutada üles esimene samm: soovitud käitumise sõnastamine ühe lausega hoiab sind ära andmete juhuslikust kogumisest.

  1. Tuvasta vajadus: millist käitumist soovid, et mudel süstemaatiliselt adopteeriks?
  2. Kogu andmed: kogu vähemalt 50 kuni 100 näidet ideaalsetest dialoogidest
  3. Valmista ette JSONL: vorminda oma andmed vastavalt API oodatud skeemile
  4. Käivita treenimine: loo peenhäälestuse ülesanne käsuga client.fine_tuning.jobs.create()
  5. Hinda: võrdle peenhäälestatud mudeli tulemuslikkust baasmudeliga
  6. Korda: kohanda oma andmeid ja käivita vajadusel uuesti

Peamised punktid

  • Peenhäälestus muudab mudeli käitumist, mitte selle faktilisi teadmisi
  • See on mõttekas, kui sul on piisavalt andmeid ja vajadus järjepidevuse järele
  • Alusta alati vihjeinseneeriast – peenhäälesta ainult siis, kui sellest ei piisa
  • Peenhäälestatavate mudelite loetelu muutub koos OpenAI kataloogiga – kontrolli enne ülesande käivitamist ametlikku dokumentatsiooni