Kada i zašto fino podesiti model
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Dostupnost finog podešavanja. OpenAI postupno ukida samostalno fino podešavanje: od 7. svibnja 2026. organizacije koje ga nikada nisu koristile više ne mogu stvarati zadatke; od 2. srpnja morate biti koristili fino podešen model u posljednjih 60 dana; a počevši od 6. siječnja 2027., nijedan korisnik neće moći pokrenuti nove zadatke. Već obučeni modeli ostaju upotrebljivi dok se njihov osnovni model ne povuče. Ovaj tečaj i dalje je koristan za razumijevanje i iskorištavanje postojećeg modela; za nove projekte dajte prednost inženjerstvu upita (prompt engineering), RAG-u i evaluacijama.
Što je fino podešavanje?
Fino podešavanje uključuje ponovnu obuku postojećeg jezičnog modela na vašim vlastitim podacima kako biste prilagodili njegovo ponašanje svojim specifičnim potrebama. Dok vas inženjerstvo upita vodi kroz kontekstualne upute koje se prepisuju, šalju i naplaćuju pri svakom pozivu, fino podešavanje modificira unutarnje težine modela kako bi trajno ugradilo nova ponašanja. Kada se obuka završi, ono što ste prethodno opisivali u dugom sistemskom upitu postaje dio samog modela.
Kod OpenAI-ja, modeli pogodni za fino podešavanje prate trenutni katalog (obitelj GPT-5.6 od srpnja 2026.) — provjerite službenu dokumentaciju o finom podešavanju za točan popis varijanti otvorenih za obuku. Sam tijek rada se ne mijenja: stvorite skup podataka za obuku u JSONL formatu, pokrenite zadatak putem API-ja i primite prilagođeni model koji pozivate točno kao i osnovni model. U vašem kodu mijenja se samo identifikator modela.
Kada je fino podešavanje prikladno?
Fino podešavanje nije uvijek pravo rješenje, a to je prva stvar koju trebate usvojiti prije nego što napišete ijednu liniju JSONL-a. Ono donosi stvarnu vrijednost prvenstveno za ton i stil: ako vaš proizvod zahtijeva specifičan glas, obuka na nekoliko stotina razmjena već napisanih tim glasom štedi vam potrebu ponavljanja tih uputa u svakom upitu. Drugi snažan slučaj upotrebe je formatiranje strukturiranog izlaza. Kada vaš pipeline očekuje JSON sa shemom koja se nikada ne smije mijenjati, dobro napisane upute dovest će vas blizu, ali nikada neće garantirati 100% usklađenost; sustavno usklađeni primjeri smanjuju taj jaz na gotovo nulu.
Ova dva pokretača mehanički vode do još dva. Fino podešen model upitan kratkim upitom odgovara brže od osnovnog modela opterećenog dugim sistemskim upitom, što smanjuje kašnjenje koje korisnik percipira; a manji broj ulaznih tokena znači niži račun pri stalnom obujmu, što rezultira smanjenjem troškova koji se izravno vide na usluzi koja obrađuje nekoliko tisuća zahtjeva dnevno.
Dvije dodatne skupine zadataka ističu se kao područja u kojima fino podešavanje izvrsno funkcionira. Prva pokriva zadatke klasifikacije: kategoriziranje tiketa za podršku, analizu sentimenta, sortiranje dokumenata. Očekivani izlaz ovdje je kratak, zatvorenog tipa i savršeno ilustriran primjerom. Druga je dosljedno pozivanje funkcija: kada model mora sustavno pozivati ispravne funkcije s ispravnim parametrima, pokazivanje stotinu ispravnih poziva djeluje bolje od opisivanja pravila.
S druge strane, četiri situacije trebale bi vas odvratiti od toga. Ako imate malo podataka, ispod 50 primjera, inženjerstvo upita s nekoliko primjera u samom upitu (few-shot) dat će bolje rezultate uz znatno manje truda. Ako se vaša domena brzo mijenja, s katalogom proizvoda ili cijenama koje se mijenjaju tjedno, RAG (Retrieval-Augmented Generation) spasit će vas od stalne ponovne obuke. Najčešća zabuna uključuje pokušaj ubacivanja činjeničnog znanja: fino podešavanje uči ponašanja, a ne činjenice, i ovdje je RAG ponovno pravi alat. Konačno, ako inženjerstvo upita suffice, ako nekoliko dobro osmišljenih uputa već daje dobre rezultate, nemojte komplicirati svoj pipeline bez potrebe.
Fino podešavanje naspram alternativa
Ova tri pristupa nisu konkurenti: oni rješavaju različite potrebe i vrlo se dobro kombiniraju, na primjer fino podešen model za formatiranje napajan RAG-om za činjenice.
| Pristup | Idealno za | Ograničenja |
|---|---|---|
| Inženjerstvo upita | Brzo prototipiranje, raznovrsni zadaci | Troši tokene, varijabilni rezultati |
| RAG | Dinamičko znanje, baze dokumenata | Povećano kašnjenje, složenost infrastrukture |
| Fino podešavanje | Stabilna ponašanja, ton, format, klasifikacija | Zahtijeva podatke, trošak obuke |
Tipičan tijek rada
Ostatak ovog tečaja slijedi redoslijed kojim ćete zapravo izvršavati ove korake. Odvojite nekoliko minuta prije nastavka i zapišite prvi: artikuliranje željenog ponašanja u jednoj rečenici spasit će vas od nasumičnog prikupljanja podataka.
- Identificirajte potrebu: koje ponašanje želite da model sustavno usvoji?
- Prikupite podatke: prikupite najmanje 50 do 100 primjera idealnih razgovora
- Pripremite JSONL: formatirajte svoje podatke prema shemi koju očekuje API
- Pokrenite obuku: stvorite zadatak finog podešavanja putem
client.fine_tuning.jobs.create() - Evaluirajte: usporedite performanse fino podešenog modela s osnovnim modelom
- Iterirajte: prilagodite svoje podatke i ponovno pokrenite ako je potrebno
Ključne točke
- Fino podešavanje mijenja ponašanje modela, a ne njegovo činjenično znanje
- Ima smisla kada imate dovoljno podataka i potrebu za dosljednošću
- Uvijek započnite s inženjerstvom upita — fino podesite samo ako to nije dovoljno
- Popis modela pogodnih za fino podešavanje evoluira s OpenAI-jevim katalogom — provjerite službenu dokumentaciju prije pokretanja zadatka