W odróżnieniu od RAG zmieniają się wagi modelu, a nie dokumenty w prompcie. W małej firmie to rzadko pierwszy krok: najpierw prompt systemowy, few-shot i RAG. Fine-tuning ma sens przy kilkuset dobrych przykładach i stałym formacie.
Fine-tuning (dostrajanie modeli) to technika uczenia maszynowego, w której wcześniej wytrenowany model - tak zwany model bazowy lub foundation model - jest dodatkowo trenowany na mniejszym, specjalistycznym zbiorze danych. Celem jest dostosowanie ogólnych zdolności modelu do konkretnego zadania, domeny lub stylu komunikacji.
Jak działa fine-tuning?
W skrócie: bierzesz gotowy model i trenujesz go dalej na danych z Twojego zastosowania. Model bazowy (np. GPT-4.1 albo otwarty model z rodziny Llama 4, stan na listopad 2026) został wytrenowany na ogromnych, zróżnicowanych zbiorach danych - internecie, książkach, kodzie źródłowym. Ta faza to pre-training. Fine-tuning bierze ten gotowy model i "przepuszcza" go przez dodatkową rundę trenowania, ale tym razem na danych specyficznych dla Twojego zastosowania. W trakcie fine-tuningu wagi modelu (parametry) są aktualizowane tak, by lepiej odwzorowywać wzorce z Twojego zbioru danych.
Najczęściej stosowaną metodą jest supervised fine-tuning (SFT) - uczysz model na parach (instrukcja + oczekiwana odpowiedź). Przykład: jeśli prowadzisz kancelarię, podajesz modelowi kilkaset par ("Napisz pismo w sprawie..." → "Szanowny Panie...") i model uczy się Twojego formatu i stylu.
Kiedy fine-tuning ma sens?
Fine-tuning sprawdza się, gdy potrzebujesz modelu, który konsekwentnie generuje odpowiedzi w określonym stylu, formacie lub domenie - a zwykły prompt systemowy nie wystarcza. Przykłady: model obsługi klienta mówiący tonem Twojej marki, generator raportów medycznych w ściśle określonej strukturze, model analizujący dokumenty prawne według Twojej metodologii.
Fine-tuning bywa też używany do poprawy działania modelu w konkretnym języku lub dialekcie branżowym - model trenowany głównie na języku angielskim można dostroić na polskich tekstach prawniczych lub medycznych.
Kiedy fine-tuning NIE jest potrzebny?
Dla większości zastosowań solopreneurów i małych firm fine-tuning jest przedwczesny. Zanim rozważysz dostrajanie modelu: upewnij się, że wyczerpałeś tańsze metody - dobry prompt systemowy, inżynierię kontekstu, RAG (dostarczanie wiedzy w promptach) i odpowiednią strukturę przykładów (few-shot). Fine-tuning ma sens dopiero wtedy, gdy masz co najmniej kilkaset wysokiej jakości przykładów i regularnie potrzebujesz specyficznego outputu, którego nie da się uzyskać promptem.
Jakie są ograniczenia i ryzyka fine-tuningu?
Główne ryzyka to koszt, jakość danych, utrata wcześniejszych umiejętności po douczeniu, utrzymanie, overfitting i ograniczona dostępność u dostawców. Główne ograniczenia to: (1) koszt - fine-tuning wymaga mocy obliczeniowej (GPU), choć metody takie jak LoRA czy QLoRA znacząco redukują ten koszt. (2) Jakość danych - fine-tuning na słabych danych pogarsza model zamiast go poprawić. Osobne ryzyko to catastrophic forgetting: po dostrojeniu na nowym zbiorze model może utracić wcześniejsze, ogólne umiejętności, bo aktualizacja wag nadpisuje to, czego nauczył się wcześniej. (3) Utrzymanie - dostrojony model wymaga regularnej aktualizacji, gdy zmienia się Twoja domena. (4) Overfitting - model może zapamiętać Twoje dane treningowe zamiast uogólniać wiedzę. (5) Dostępność u dostawców - Anthropic w Claude API nie oferuje publicznego fine-tuningu (stan na listopad 2026; zainteresowanych odsyła do kontaktu z opiekunem). Jedyna udokumentowana ścieżka, dostrajanie Claude 3 Haiku w Amazon Bedrock (us-west-2), jest zamknięta: od 10 marca 2026 model jest w stanie Legacy i nie można tworzyć nowych jobów fine-tuningu, a 10 września 2026 osiągnął end of life w tym regionie. Nowsze modele Claude nie są na liście modeli do fine-tuningu w Bedrock. Zostajesz przy prompt engineeringu, few-shot i RAG albo dostrajasz model innego dostawcy.
Jakie są popularne metody fine-tuningu?
Najczęściej spotkasz cztery: full fine-tuning, LoRA, QLoRA i DPO. Full fine-tuning - aktualizacja wszystkich wag modelu. Najdroższe, ale daje największą kontrolę. LoRA (Low-Rank Adaptation) - zamiast aktualizować wszystkie wagi, dodaje małe, trenowalne macierze do warstw modelu. Znacznie tańsze i szybsze. QLoRA - połączenie LoRA z kwantyzacją modelu (4-bit lub 8-bit). Pozwala dostrajać modele na pojedynczym GPU konsumenckim. DPO (Direct Preference Optimization) - metoda dostrajania oparta na preferencjach, prostsza od RLHF.
Dla kogo jest fine-tuning?
Fine-tuning jest dla zaawansowanych użytkowników AI, którzy mają: (a) konkretny, powtarzalny format outputu, (b) co najmniej kilkaset par (wejście + oczekiwane wyjście) jako dane treningowe, (c) budżet na trenowanie i utrzymanie modelu (sprawdź aktualny cennik dostawcy; u OpenAI self-serve fine-tuning jest już ograniczone - szczegóły w FAQ). Dla typowego solopreneura budującego własny system AI z Claude, fine-tuning zwykle nie jest pierwszym krokiem - zacznij od Mapy Kontekstu, RAG i prompt engineeringu.
Praktyczny przykład: zbierasz kilkaset udanych przykładów (np. transkryptów rozmów albo ofert), przygotowujesz je w formacie JSONL (instrukcja + oczekiwana odpowiedź) i dostrajasz aktualnie wspierany model bazowy. U OpenAI self-serve fine-tuning jest już tylko dla istniejących klientów i tylko do 6 stycznia 2027, na modelach z aktualnego cennika (w listopadzie 2026 są to m.in. GPT-4.1 i GPT-4.1 mini). Alternatywnie dostrajasz otwarty model z rodziny Llama 4 na własnej albo wynajętej GPU.
Najczęstsze pytania
Czym różni się fine-tuning od RAG?
RAG (Retrieval-Augmented Generation) polega na podawaniu modelowi odpowiednich dokumentów w prompcie - model nie jest zmieniany, tylko dostaje lepszy kontekst. Fine-tuning zmienia samego modelu - jego wagi są aktualizowane. RAG jest tańszy, łatwiejszy do aktualizacji i wystarcza dla większości przypadków, gdy chcesz, by model odpowiadał na podstawie Twojej wiedzy. Fine-tuning ma sens, gdy potrzebujesz zmienić sposób, w jaki model formułuje odpowiedzi - styl, format, strukturę.
Ile kosztuje fine-tuning modelu AI?
Koszt zależy od dostawcy, rozmiaru modelu i liczby przykładów. U OpenAI self-serve fine-tuning jest od 7 maja 2026 zamknięty dla nowych organizacji; istniejący klienci mogą tworzyć joby treningowe do 6 stycznia 2027. Aktualny cennik i listę modeli znajdziesz w cenniku OpenAI. Dla modeli otwartych koszt to zwykle wynajem GPU - sprawdzaj aktualny cennik wybranego dostawcy infrastruktury. Metody takie jak LoRA i QLoRA znacząco redukują koszty i bywają możliwe na pojedynczej karcie.
Źródła
- OpenAI - Supervised Fine-Tuning Guidedevelopers.openai.com (otwiera się w nowej karcie)
- Anthropic - Glossary: Fine-tuningplatform.claude.com (otwiera się w nowej karcie)
- Cyrek Digital - Fine-tuning modelu AI: co to jest i kiedy się opłacacyrekdigital.com (otwiera się w nowej karcie)
- OpenAI - API Pricing (fine-tuning)developers.openai.com (otwiera się w nowej karcie)
- OpenAI - Deprecations: self-serve fine-tuningdevelopers.openai.com (otwiera się w nowej karcie)
- AWS - Amazon Bedrock: cykl życia modeli (Legacy/EOL)docs.aws.amazon.com (otwiera się w nowej karcie)
