Összehasonlítás az alapmodellel
Ezen az oldalon
Frissítés: 2026. november 2. — Finomhangolás elérhetősége. Az OpenAI saját kiszolgálású finomhangolási szolgáltatását fokozatosan megszüntetik: 2026. május 7-től azok a szervezetek, amelyek még sosem használták, már nem hozhatnak létre feladatokat; július 2 óta az elmúlt 60 napban használnod kellett egy finomhangolt modellt; és 2027. január 6-tól egyetlen ügyfél sem indíthat új feladatokat. A már betanított modellek addig használhatók maradnak, amíg az alapmodelljük nyugdíjazásra nem kerül. Ez a tanfolyam továbbra is hasznos egy meglévő modell megértéséhez és kiaknázásához; új projektek esetén a promptmérnökséget, a RAG-ot és az értékeléseket helyezd előtérbe.
Miért fontos a szisztematikus összehasonlítás
A finomhangolásnak költségei vannak: adatelőkészítési idő, képzési kiadások és karbantartási komplexitás. Bizonyítanod kell, hogy a finomhangolt modelled mérhető javulást nyújt az alapmodellel szemben, erős prompt használata esetén. Ha a különbség csekély, a finomhangolás talán nem éri meg a fáradságot.
A gyakorlat során felmerülő kísértés, hogy a betanított modelledet egy rosszul instruált alapmodellel hasonlítsd össze. Ez hízelgő, de értéktelen demonstrációhoz vezet: olyan ellenfelet győztél le, akit te magad gyengítettél meg. Az egyetlen becsületes összehasonlítás a finomhangolt modelledet az alapmodell lehető legjobb használatával állítja szembe.
Határozd meg az alapot
Az alap az alapmodell a legjobb rendszerpromptoddal kombinálva. Optimalizáld ezt a promptot az összehasonlítás előtt. Konkréten ez azt jelenti, hogy írd le azokat a szabályokat, amelyeket implicit módon példákkal tanítottál meg a finomhangolás során: a szerep, a hangnem, a várható hossz és a beszélgetés lezárásának módja. Az alábbi prompt pontosan ezt teszi egy ügyfélszolgálati asszisztens esetében; vedd észre, hogy a finomhangolt modellnek nincs szüksége ilyen utasításokra, mivel ezek a szabályok most már a súlyainak részét képezik.
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
Generálj oldalankénti válaszokat
A következő lépés, hogy mindkét modellt pontosan ugyanazokra a kérdésekre kérdezd le, és párosítsd a válaszokat. Válassz olyan kérdéseket, amelyek reprezentatívak a valós forgalmadra nézve, nem pedig tankönyvi eseteket: egy szállítási panasz, egy eljárási kérelem, elégedetlenség, visszatérítési kérelem, ténykérdés. Ez az öt kategória számít a éles üzemben, nem a tökéletes megfogalmazás.
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
)
Döntess egy harmadik fél modellel
Néhány száz pár kézi átolvasása gyorsan lehangolóvá válik, és a fáradtság előrehaladtával a megítélés is romlik. Egy harmadik fél modell, amely egyik választ sem generálta, arbitráskodik minden páron négy kritérium alapján, és általános ítéletet hoz. Először semlegesítsd a címkéket: a bíró csak a „Válasz A“ és „Válasz B“ kifejezéseket látja, sosem azt, melyik modell állította elő őket, ellenkező esetben az ítélete ugyanolyan súllyal veszi figyelembe a modell nevét, mint a szöveget. Ezután kezeld azokat az eseteket, amikor a kimenet nem elemezhető; ellenkező esetben egyetlen hibás válasz megakasztja az egész kampányt.
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]
Most aggregáld ezeket az ítéleteket egyetlen számmá. A javulási ráta – azon párok aránya, ahol a finomhangolt modell győz – előre meghatározott küszöbértékekhez viszonyítva értelmezendő: 60% felett a nyereség egyértelmű; 40% és 60% között mérlegeld a nyereséget a többletköltséggel szemben; ez alatt a finomhangolásod nem bizonyított, és a probléma szinte mindig az adatokban rejlik.
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)
Hasonlítsd össze a költségeket
A minőség csak a döntés fele. A finomhangolás gyakran csökkenti a bemeneti tokenek számát, mivel a hosszú prompt feleslegessé válik, de minden token, amelyet egy finomhangolt modellen számláznak, többe kerül. Ez a két hatás ellentétes irányba húz, és csak a számítás dönt. Az alábbi függvény szembeállítja őket egy havi forgalom alapján: egy 500-ról 50 tokenre csökkenő prompt több mint kompenzálja a megduplázódott bemeneti díjat, de ez nem lenne igaz egy már eleve rövid alapprompt esetén.
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
)
Hasonlítsd össze a késleltetést
A prompt több száz tokennel való rövidítése a válaszidőt is befolyásolja, ez pedig egy olyan kritérium, amelyet a felhasználóid jóval hamarabb észrevesznek, mint a hangnem finomságait. Mérd a késleltetést ugyanazokon a kérdéseken, amelyeket a minőségi összehasonlításhoz használtál, csúcsidőn kívül, és ismételd meg a mérést többször: egy egyetlen érték nagyban tükrözi a hálózat állapotát a teszt idején.
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
Dönts az eredmények alapján
Most keresztezd a minőséget és a költségeket. Minden kombináció más döntést igényel, és a legkényelmetlenebb továbbra is a középút: amikor a két modell egyenlő, el kell vetned a már kifizetett munkát, ahelyett, hogy utólag keresnél igazolást rá.
| Eredmény | Teendő |
|---|---|
| FT győz minőségben + költségekben | Telepítsd a finomhangolt modellt |
| FT győz minőségben, veszít költségekben | Értékeld, hogy a minőség indokolja-e a többletköltséget |
| Hasonló eredmények | Maradj az alapmodellnél + promptnál |
| Alap győz | Javítsd az adataidat, és próbáld újra |
Főbb megállapítások
- Mindig alapmodell + optimalizált prompt ellen hasonlíts, ne alapvető prompttal
- Használj LLM-ítéletet a minőségi összehasonlítás automatizálásához
- Mérd a költségeket és a késleltetést, ne csak a minőséget
- A 60%-os vagy annál nagyobb javulási ráta indokolja a finomhangolást
- Ha a finomhangolás nem hoz egyértelmű javulást, maradj a promptmérnökségnél