Déan comparáid leis an mBunmhúnla
Ar an leathanach seo
Nuashonrú 2 Samhain, 2026 — Fáil ar fhíneáil. Tá an tseirbhís fhéinseirbhíse fíneála ó OpenAI á céimniú amach: ón 7 Bealtaine, 2026, ní féidir le heagraíochtaí nach bhfuil tar éis í a úsáid riamh post a chruthú a thuilleadh; ón 2 Iúil, caithfidh tú múnla fíneáilte a bheith úsáidte agat laistigh de na 60 lá seo caite; agus ag tosú 6 Eanáir, 2027, ní bheidh aon chustaiméir in ann poist nua a sheoladh. Fanann múnlaí atá traenáilte cheana inúsáidte go dtí go gcuirtear deireadh lena mbunmhúnla. Fanann an cúrsa seo úsáideach chun múnla atá ann cheana a thuiscint agus a shaothrú; do thionscadail nua, tabhair tosaíocht d’innealtóireacht leideanna, RAG, agus meastóireachtaí.
Cén fáth a bhfuil tábhacht le comparáid chórasach
Tá costas ag baint le fíneáil: am ullmhúcháin sonraí, costais oiliúna, agus castacht cothabhála. Caithfidh tú a chruthú go soláthraíonn do mhúnla fíneáilte feabhas intomhaiste ar an mbunmhúnla le leid láidir. Má tá an difríocht imeallach, b’fhéidir nach fiú an iarracht a bhaineann le fíneáil.
Is é an tspreagadh sa chleachtadh seo ná do mhúnla traenáilte a chur i gcomparáid le bunmhúnla atá treoraithe go dona. Cruthaíonn sé sin léiriú flaitiúil ach gan fiúntas: tá tú tar éis buachan ar chéile a laghdaigh tú féin. Ní dhéanann ach comparáid ionraic cur i gcoinne do mhúnla fíneáilte in aghaidh an úsáid is fearr is féidir a bhaint as an mbunmhúnla.
Sainigh an bonnlíne
Is é an bonnlíne ná an bunmhúnla le do leid córais is fearr. Déan an leid seo a optamú sula ndéanann tú comparáid. Go praiticiúil, ciallaíonn sé seo na rialacha a mhúin tú go hintreach trí shampla le linn na fíneála a scríobh síos: an ról, an tón, an fad a bhfuiltear ag súil leis, agus conas malartú a chríochnú. Déanann an leid thíos go díreach é sin do chúntóir tacaíochta; tabhair faoi deara nach bhfuil gá le treoracha den sórt sin ag an múnla fíneáilte, ós rud é go bhfuil na rialacha seo ina gcuid meáchan anois.
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
Giniúint freagraí taobh le taobh
Is é an chéad chéim eile ná ceist a chur ar an dá mhúnla ar na ceisteanna céanna go díreach agus na freagraí péireáilte a choinneáil. Roghnaigh ceisteanna atá ionadaíoch do do thrácht fíor seachas cásanna téacsleabhair: gearán faoi sheachadadh, iarratas ar nós imeachta, míshástacht, iarratas ar aisíocaíocht, ceist fhíorasach. Is iad na cúig theaghlach seo a dhéanann an difríocht sa táirgeadh, ní an fhráseáil fhoirfe.
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
)
Iarr ar mhúnla tríú páirtí breith a thabhairt
Éiríonn sé míchompordach go tapa céad péire a léamh de láimh, agus meathlaíonn an breithiúnas de réir mar a thagann tuirse ort. Déanann múnla tríú páirtí, nach ndearna ceachtar den fhreagra, idirghabháil ar gach péire bunaithe ar cheithre chritéar agus tugann sé breithiúnas domhanda. Ar dtús, déan na lipéid a neodrú: feiceann an breitheamh “Freagra A” agus “Freagra B”, riamh cé acu múnla a tháirg iad, murach sin beidh tionchar ag ainm an mhúnla ar a bhreithiúnas chomh mór leis an téacs. Ina dhiaidh sin, déileáil le cásanna nach féidir an t-aschur a pharsáil; murach sin, stopann freagra amháin atá míchruthaithe an feachtas ar fad.
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]
Anois comhiomlánaigh na breithiúnais seo ina figiúr amháin. Léitear an ráta feabhsaithe—an sciar de phéirí ina mbuaíonn an múnla fíneáilte—in aghaidh tairseacha réamhshainithe: os cionn 60%, tá an gnóthachan soiléir; idir 40% agus 60%, meáigh an gnóthachan i gcoinne an chostais bhreise; faoi bhun sin, níor chruthaigh do fhíneáil é féin, agus is minic gurb iad na sonraí atá faoi deara an fhadhb.
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)
Déan comparáid idir costais
Ní leath an chinneadh ach an cháilíocht. Go minic laghdaíonn fíneáil na tokenanna ionchuir toisc nach gá an leid fada a thuilleadh, ach costálann gach token a bhilleáiltear ar mhúnla fíneáilte níos mó. Tarraingíonn an dá éifeacht seo i dtreoracha contrártha, agus ní chinneann ach an ríomh. Cuirtear i gcoinne a chéile iad sa fheidhm thíos thar mhí tráchtta: laghdaíonn leid ó 500 go 50 token níos mó ná ráta dúbailte ionchuir a chúiteamh, ach ní bheadh sé sin fíor le leid bunúsach atá gairid cheana féin.
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
)
Déan comparáid idir moill
Bíonn tionchar ag giorrú leid de roinnt céad token ar am freagartha freisin, critéar a thugann do chuid úsáideoirí faoi deara i bhfad roimh mhínithe tóna. Tomhais an mhoill ar na ceisteanna céanna a úsáideadh don chomparáid cháilíochtúil, lasmuigh d’uairbhuaic, agus déan an tomhas arís roinnt uaireanta: is minic a léiríonn luach amháin staid an líonra ag am an tástála den chuid is mó.
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
Déan cinneadh bunaithe ar thorthaí
Anois tras-tagairt cáilíocht agus costas. Éilíonn gach comhcheangal cinneadh difriúil, agus is é an meánchríoch an ceann is míchompordaí fós: nuair atá an dá mhúnla cothrom, caithfidh tú obair a íocadh cheana a thréigean seachas údar a lorg tar éis na fíricí.
| Toradh | Gníomh |
|---|---|
| Buaíonn FT ar cháilíocht + costais | Déan an múnla fíneáilte a imlonnú |
| Buaíonn FT ar cháilíocht, cailleann ar chostais | Meas an bhfuil an cháilíocht ag údarú an chostais bhreise |
| Torthaí cosúla | Fan leis an mbunmhúnla + leid |
| Buaíonn an Bunmhúnla | Feabhsaigh do chuid sonraí agus bain triail eile as |
Príomhphointí
- Déan comparáid i gcónaí le bunmhúnla + leid optamaithe, ní le leid bunúsach
- Úsáid breithiúnas LLM chun comparáid cháilíochtúil a uathoibriú
- Tomhais costais agus moill, ní hamháin cáilíocht
- Údharaíonn ráta feabhsaithe 60%+ fíneáil
- Mura soláthraíonn fíneáil feabhas soiléir, fan le hinnealtóireacht leideanna