[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-fine-tuning":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":159},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":111,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":112,"related":126,"views_count":156,"helpful_yes_count":115,"helpful_no_count":115,"created_at":157,"updated_at":158,"published_at":17},270,"fine-tuning",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"Тонкая настройка модели","Дообучение готовой модели на небольшом наборе своих данных, чтобы адаптировать её под конкретную задачу, домен или стиль.","Тонкая настройка — это дообучение готовой предобученной модели на небольшом наборе ваших данных. Так вы не учите её языку или миру заново, а только подкручиваете под конкретную задачу: ответы в стиле вашей компании, медицинскую терминологию, специальный формат вывода. Тонкая настройка дороже работы с промптами, но дешевле обучения модели с нуля и даёт более стабильный результат на узких задачах.","\u003Cp>Тонкая настройка — это компромисс между «дёшево и быстро» (работа с промптами) и «дорого и долго» (предобучение). Берётся готовая модель и продолжается её обучение на небольшом, но качественном наборе примеров.\u003C\u002Fp>\u003Ch3>Виды тонкой настройки\u003C\u002Fh3>\u003Cul>\u003Cli>\u003Cstrong>Полная тонкая настройка\u003C\u002Fstrong> — обновляются все веса модели. Дорого, но даёт максимальный контроль.\u003C\u002Fli>\u003Cli>\u003Cstrong>LoRA и подобные методы\u003C\u002Fstrong> — обновляется только маленький адаптер, основная модель остаётся неизменной. В 10–100 раз дешевле полной настройки.\u003C\u002Fli>\u003Cli>\u003Cstrong>Настройка под инструкции\u003C\u002Fstrong> — учит модель следовать форматам и инструкциям, а не просто продолжать тексты.\u003C\u002Fli>\u003Cli>\u003Cstrong>Настройка по предпочтениям\u003C\u002Fstrong> — учит модель выбирать ответы, которые люди оценивают выше.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Когда оправдано\u003C\u002Fh3>\u003Cul>\u003Cli>Нужен стабильный специфический стиль или формат ответа, который трудно описать промптом.\u003C\u002Fli>\u003Cli>Объём запросов велик и хочется уменьшить промпт, чтобы экономить токены.\u003C\u002Fli>\u003Cli>Качество в узком домене у общей модели не дотягивает, а данных для дообучения хватает.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Есть несколько сотен или тысяч качественных примеров «вход → правильный ответ»\u003C\u002Fli>\u003Cli>Стиль или формат трудно стабильно держать только промптом\u003C\u002Fli>\u003Cli>Стоимость запросов с большим контекстом уже становится заметной\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Задача меняется каждую неделю — данные устареют быстрее, чем закончится тонкая настройка\u003C\u002Fli>\u003Cli>У вас нет качественных размеченных примеров\u003C\u002Fli>\u003Cli>Промпт хорошо справляется и так — тонкая настройка усложнит проект без явной выгоды\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Компания собирает 800 примеров идеальных ответов своей поддержки клиентов и дообучает на них среднюю модель методом LoRA. После тонкой настройки модель отвечает в фирменном стиле без длинного системного промпта, что снижает стоимость каждого запроса. При этом базовая модель остаётся той же — её можно использовать и для других задач параллельно.\u003C\u002Fp>","\u003Cp>Прежде чем браться за тонкую настройку, выжмите максимум из промптов и поиска по своей базе документов: часто 80% эффекта получают именно так, за пару дней работы. Тонкая настройка оправдана, когда промпты уже большие, стоимость ощутима, а заметная часть ошибок устойчиво повторяется в одних и тех же местах.\u003C\u002Fp>","Тонкая настройка, дообучение модели, файнтюнинг, fine-tuning","Fine-tuning","Тонкая настройка (fine-tuning) LLM: что это | Глоссарий Shtab","Тонкая настройка — дообучение готовой модели на своих данных. Виды: полная, LoRA, под инструкции, по предпочтениям. Когда оправдана и чем отличается от промпта.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,102],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},37,"llm","framework","#7c5ce6",91,{"ru":100},{"title":101},"LLM",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":108},38,"ai-training","phase","#0F9488",92,{"ru":109},{"title":110},"Обучение моделей","Т",[113,120],{"id":114,"order":115,"translations":116},1622,0,{"ru":117},{"question":118,"answer":119},"Тонкая настройка добавляет модели новые знания?","\u003Cp>Чаще нет, и рассчитывать на это не стоит. Тонкая настройка отлично работает для стиля, формата и поведения, но плохо подходит для запоминания фактов: они размываются между весами и всплывают неточно. Для фактических знаний почти всегда выгоднее поиск по своей базе документов (RAG) — его проще обновлять, и он позволяет показать источник ответа.\u003C\u002Fp>",{"id":121,"order":61,"translations":122},1623,{"ru":123},{"question":124,"answer":125},"Что такое LoRA и зачем она нужна?","\u003Cp>LoRA (Low-Rank Adaptation) — это техника, которая обучает не всю модель, а небольшой адаптер поверх неё. Так тонкая настройка обходится в десятки раз дешевле, не требует хранить копию всей модели и позволяет держать сразу несколько адаптеров под разные задачи на одной общей базовой модели, переключая их по мере надобности.\u003C\u002Fp>",{"parent":127,"related":134},[128],{"id":129,"slug":95,"translations":130},264,{"ru":131},{"title":132,"short_definition":133},"Большая языковая модель","Нейросеть с миллиардами параметров, обученная предсказывать следующий токен в тексте и способная отвечать на вопросы, писать код и рассуждать.",[135,142,149],{"id":136,"slug":137,"translations":138},269,"pretraining",{"ru":139},{"title":140,"short_definition":141},"Предобучение модели","Этап тренировки большой нейросети на огромных объёмах общих данных перед последующей тонкой настройкой под конкретные задачи.",{"id":143,"slug":144,"translations":145},272,"distillation",{"ru":146},{"title":147,"short_definition":148},"Дистилляция модели","Метод, при котором маленькая «ученическая» модель обучается имитировать ответы большой «учительской» — получается дешёвая модель с близким качеством.",{"id":150,"slug":151,"translations":152},271,"rlhf",{"ru":153},{"title":154,"short_definition":155},"Обучение с подкреплением на обратной связи человека (RLHF)","Метод, в котором модель улучшают, используя оценки людей: они сравнивают разные ответы и направляют обучение в сторону предпочтительных.",107,"2026-05-11T19:55:49.339921+03:00","2026-05-11T19:55:49.339937+03:00",[160,186,207],{"id":161,"slug":162,"translations":163,"category":168,"tags":171,"letter":184,"cover":17,"updated_at":185,"published_at":17},282,"mcp",{"ru":164},{"title":165,"short_definition":166,"translation_en":167},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":169},{"ru":170},{"title":90,"description":91},[172,175],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":173},{"ru":174},{"title":101},{"id":176,"slug":177,"kind":178,"hex":179,"order":180,"translations":181},40,"ai-tool","tool","#5e79ec",94,{"ru":182},{"title":183},"Инструмент ИИ","M","2026-05-11T19:55:53.687297+03:00",{"id":187,"slug":188,"translations":189,"category":194,"tags":197,"letter":184,"cover":17,"updated_at":206,"published_at":17},287,"mlops",{"ru":190},{"title":191,"short_definition":192,"translation_en":193},"MLOps (эксплуатация ML-моделей)","Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":195},{"ru":196},{"title":90,"description":91},[198,203],{"id":61,"slug":199,"kind":199,"hex":179,"order":61,"translations":200},"methodology",{"ru":201},{"title":202},"Методология",{"id":176,"slug":177,"kind":178,"hex":179,"order":180,"translations":204},{"ru":205},{"title":183},"2026-05-11T19:55:55.482827+03:00",{"id":208,"slug":209,"translations":210,"category":215,"tags":218,"letter":225,"cover":17,"updated_at":226,"published_at":17},278,"rag",{"ru":211},{"title":212,"short_definition":213,"translation_en":214},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.","Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":216},{"ru":217},{"title":90,"description":91},[219,222],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":220},{"ru":221},{"title":101},{"id":176,"slug":177,"kind":178,"hex":179,"order":180,"translations":223},{"ru":224},{"title":183},"R","2026-05-11T19:55:52.147205+03:00"]