Fine-tuning pentru apelarea de funcții
Pe această pagină
Actualizare 2 noiembrie 2026 — Disponibilitatea fine-tuning-ului. Serviciul de fine-tuning self-service oferit de OpenAI este în curs de retragere: începând cu 7 mai 2026, organizațiile care nu l-au utilizat anterior nu mai pot crea job-uri; începând cu 2 iulie, trebuie să fi utilizat un model fine-tuned în ultimele 60 de zile; iar începând cu 6 ianuarie 2027, niciun client nu va mai putea lansa job-uri noi. Modelele deja antrenate rămân utilizabile până la retragerea modelului lor de bază. Acest curs rămâne util pentru înțelegerea și exploatarea unui model existent; pentru proiecte noi, prioritizați ingineria prompt-urilor, RAG și evaluările.
De ce să faceți fine-tuning pentru apelarea de funcții
Apelarea de funcții permite modelului să decidă când și cum să invoce funcții externe. În acest context, fine-tuning-ul nu vizează ajustarea stilului de scriere: el consolidează un mecanism de luare a deciziilor. Un model antrenat pe propriile dumneavoastră apeluri învață mai întâi să selecteze funcția corectă dintre mai multe opțiuni disponibile. Dacă aplicația dumneavoastră expune atât căutarea de sloturi, cât și crearea de programări, fraza „Aș dori să văd ce este liber joi“ nu trebuie niciodată să declanșeze o rezervare.
Apoi, modelul învață să extragă parametrii corecți din cererea utilizatorului — adică să convertească formulările naturale în valori conforme cu schema: „mâine la ora 14:00“ devine o dată și o oră normalizate. Același mecanism predă reflexe mai puțin spectaculoase, dar la fel de critice. Să știi când NU să apelezi o funcție evită capcana unui model care declanșează un instrument la un simplu „bună ziua“. Iar înlănțuirea logică a mai multor apeluri de funcții — listarea disponibilităților, apoi rezervarea slotului ales — necesită ca modelul să fi văzut secvențe complete în timpul antrenamentului, nu apeluri izolate.
Formatul datelor pentru apelarea de funcțiilor
Exemplele de antrenament includ definițiile funcțiilor (instrumente) și apelurile corespunzătoare. Mesajul asistentului nu mai conține text, ci un tablou tool_calls; rezultatul returnat de sistemul dumneavoastră apare într-un mesaj cu rolul tool, legat de apel prin tool_call_id; apoi asistentul vorbește din nou pentru a formula răspunsul destinat utilizatorului. Acest ciclu complet, nu doar apelul, este ceea ce modelul trebuie să învețe să reproducă.
{
"messages": [
{
"role": "system",
"content": "You are an assistant that helps manage appointments."
},
{
"role": "user",
"content": "Book me a slot tomorrow at 2 PM with Dr. Martin."
},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_001",
"type": "function",
"function": {
"name": "create_appointment",
"arguments": "{\"date\": \"2026-04-03\", \"time\": \"14:00\", \"practitioner\": \"Dr. Martin\"}"
}
}
]
},
{
"role": "tool",
"tool_call_id": "call_001",
"content": "{\"status\": \"confirmed\", \"id\": \"appt_42\"}"
},
{
"role": "assistant",
"content": "Your appointment with Dr. Martin is confirmed for tomorrow at 2 PM. Reference: APPT-42."
}
],
"tools": [
{
"type": "function",
"function": {
"name": "create_appointment",
"description": "Creates a new medical appointment",
"parameters": {
"type": "object",
"properties": {
"date": {
"type": "string",
"description": "Date in YYYY-MM-DD format"
},
"time": {
"type": "string",
"description": "Time in HH:MM format"
},
"practitioner": {
"type": "string",
"description": "Name of the practitioner"
}
},
"required": ["date", "time", "practitioner"]
}
}
},
{
"type": "function",
"function": {
"name": "list_slots",
"description": "Lists available slots for a practitioner",
"parameters": {
"type": "object",
"properties": {
"practitioner": {"type": "string"},
"date": {"type": "string"}
},
"required": ["practitioner"]
}
}
}
]
}
Cazuri de utilizare frecvente
Selectarea funcției corecte
Antrenați modelul să distingă ce funcție să apeleze în funcție de context. În exemplul de mai jos, cererea vizează verificarea disponibilității, nu efectuarea unei rezervări: exemplul consolidează faptul că o întrebare deschisă apelează list_slots și nimic altceva.
{
"messages": [
{"role": "user", "content": "What slots are free on Thursday with Dr. Martin?"},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_002",
"type": "function",
"function": {
"name": "list_slots",
"arguments": "{\"practitioner\": \"Dr. Martin\", \"date\": \"2026-04-04\"}"
}
}
]
}
],
"tools": ["... same tools as above ..."]
}
A NU apela o funcție
Rezervați o parte din setul de date pentru schimburi în care modelul nu trebuie să utilizeze nicio funcție. Un model antrenat exclusiv pe apeluri își formează obiceiul de a produce unul la fiecare pas, chiar și pentru un salut sau o întrebare generală — un comportament care irită utilizatorii și costă backend-ul dumneavoastră. Contra-exemplul de mai jos necesită doar câteva linii și elimină o întreagă clasă de erori.
{
"messages": [
{"role": "user", "content": "Hello, how are you?"},
{
"role": "assistant",
"content": "Hello! I'm doing well, thanks. How can I help you with your appointments today?"
}
],
"tools": ["... same tools ..."]
}
Extragerea parametrilor complecși
Cererile reale sunt rareori structurate. „Luni dimineața, săptămâna viitoare“ și „cardiologul“ trebuie să devină o dată absolută, un interval de timp și o specialitate. Aici exact ezită cel mai adesea modelul de bază, motiv pentru care fine-tuning-ul aduce cel mai vizibil câștig: multiplicați acest tip de exemple în detrimentul cazurilor care sunt deja clare.
{
"messages": [
{"role": "user", "content": "Cancel my appointment next Monday morning with the cardiologist"},
{
"role": "assistant",
"tool_calls": [
{
"id": "call_003",
"type": "function",
"function": {
"name": "cancel_appointment",
"arguments": "{\"date\": \"2026-04-06\", \"period\": \"morning\", \"specialty\": \"cardiology\"}"
}
}
]
}
],
"tools": ["..."]
}
Script de pregătire a datelor
Construirea fișierului rămâne mecanică: o funcție de asamblare, o definiție de instrument partajată de toate exemplele, o listă de cazuri, apoi scrierea linie cu linie în format JSONL. Rețineți utilizarea json.dumps pentru câmpul arguments, care trebuie să fie un șir de caractere, nu un obiect.
import json
def create_function_calling_example(
messages: list[dict],
tools: list[dict]
) -> dict:
"""Creates a training example for function calling."""
return {
"messages": messages,
"tools": tools
}
# Tool definitions
tools = [
{
"type": "function",
"function": {
"name": "search_product",
"description": "Searches for a product in the catalog",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "Search terms"},
"category": {"type": "string", "enum": ["electronics", "clothing", "home"]},
"max_price": {"type": "number", "description": "Maximum price in euros"}
},
"required": ["query"]
}
}
}
]
# Training examples
examples = [
create_function_calling_example(
messages=[
{"role": "user", "content": "I'm looking for headphones under 100 euros"},
{
"role": "assistant",
"tool_calls": [{
"id": "call_1",
"type": "function",
"function": {
"name": "search_product",
"arguments": json.dumps({
"query": "headphones",
"category": "electronics",
"max_price": 100
})
}
}]
}
],
tools=tools
)
]
# Save
with open("function_calling_train.jsonl", "w", encoding="utf-8") as f:
for ex in examples:
f.write(json.dumps(ex, ensure_ascii=False) + "\n")
Lansarea job-ului de fine-tuning
Job-ul este creat exact ca pentru fine-tuning-ul conversațional: formatul îmbogățit este recunoscut din conținutul fișierului, fără parametri suplimentari.
from openai import OpenAI
client = OpenAI()
file = client.files.create(
file=open("function_calling_train.jsonl", "rb"),
purpose="fine-tune"
)
job = client.fine_tuning.jobs.create(
training_file=file.id,
model="gpt-5.6-luna",
suffix="function-calling-v1"
)
Cele mai bune practici
Rezultatul depinde în primul rând de diversitatea setului de date. Fiecare funcție trebuie să apară de mai multe ori, formulările utilizatorilor trebuie să varieze pentru aceeași intenție, iar dumneavoastră beneficiați de includerea cazurilor ambigue însoțite de rezoluția pe care o considerați corectă, fără a uita conversațiile normale care nu apelează nicio funcție.
Urmează realismul parametrilor. arguments trebuie să corespundă exact schemei definite în tools, cu valori plauzibile, nu cu marcatori precum „xxx“ — un model antrenat pe valori false le va produce. Testați sistematic dacă fiecare câmp arguments este un JSON valid: o paranteză sau o ghilimeală lipsă sunt suficiente pentru a face exemplul inutilizabil.
În final, apare problema proporțiilor. Pentru un set de date de 100 de exemple care acoperă 3 funcții, distribuția de mai jos oferă un echilibru sănătos între acoperirea funcțională și reținere.
| Tip de exemplu | Cantitate |
|---|---|
| Per funcție | 25-30 |
| Fără apel de funcție | 10-15 |
| Apeluri înlănțuite (multi-pas) | 5-10 |
Puncte cheie
- Formatul include
toolsîn plus față demessages - Apelurile de funcții utilizează
tool_callsîn mesajul asistentului - Includeți exemple în care modelul NU trebuie să apeleze o funcție
- Variați formulările pentru aceeași intenție
- Verificați dacă toate
argumentssunt JSON valide și conforme cu schema