---
title: "Что такое дообучение LLM? Когда обучать, а когда промптить"
description: "Дообучение — продолжение обучения LLM на ваших примерах, чтобы она освоила задачу или стиль. Как оно работает, сколько нужно данных и когда оно лучше промпта."
url: https://broadrouter.com/ru/glossary/fine-tuning/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/fine-tuning/) (обновлён 2026-11-14).

# Дообучение (fine-tuning)

Обновлено 2026-11-14

Дообучение (fine-tuning) — это продолжение обучения предобученной языковой модели на меньшем наборе данных под конкретную задачу, например на примерах диалогов. Веса модели меняются, и она надёжнее выполняет эту задачу или держит стиль без длинных инструкций и примеров в каждом промпте.

Также называют: дообучение, файнтюнинг, файн-тюнинг, тонкая настройка, дообучение LLM, дообучение модели, SFT, fine-tuning, finetuning, supervised fine-tuning, model fine-tuning

Промпт каждый раз объясняет модели, что делать. Дообучение меняет саму модель, чтобы она это уже знала.

## Как это работает

Вы берёте обученную модель и продолжаете обучение на своих примерах. При supervised fine-tuning (SFT, обучение с учителем) каждый пример — это диалог с нужным вам ответом. Руководство OpenAI использует JSONL, “one complete JSON structure on every line” (перевод: «одна полная JSON-структура в каждой строке»), в формате чата:

```json
{"messages": [{"role": "user", "content": "Classify: 'card charged twice'"}, {"role": "assistant", "content": "billing"}]}
```

Задача обучения подстраивает веса так, чтобы эти ответы стали вероятнее, и возвращает новый ID модели. OpenAI устанавливает минимум в 10 примеров и рекомендует начать с 50 и оценить результат, прежде чем добавлять ещё.

Полное дообучение обновляет все веса, а для больших моделей это дорого. В статье о LoRA Hu и соавторы называют развёртывание отдельных дообученных копий GPT-3, “each with 175B parameters” (перевод: «каждая со 175 млрд параметров»), непомерно дорогим. Параметрически эффективные методы, такие как [LoRA](https://broadrouter.com/ru/glossary/lora/), вместо этого обучают небольшую надстройку. Родственная идея — [дистилляция](https://broadrouter.com/ru/glossary/distillation/): дообучение маленькой модели на выходах большой.

## Почему это важно

-   **Более короткие промпты.** Поведение, для которого требовался длинный [few-shot промпт](https://broadrouter.com/ru/glossary/few-shot-prompting/), можно перенести в веса и сократить число входных токенов на вызов.
-   **Стабильность.** Хорошо подходят классификация, фиксированный стиль ответа, перевод в предметной области и исправление сбоев в следовании инструкциям.
-   **Поддержка.** Дообученная модель привязана к одной базовой модели. Когда базовую модель выводят из эксплуатации, приходится обучать заново. В руководстве OpenAI теперь сказано, что компания сворачивает платформу дообучения: новым пользователям она закрыта, а дообученные модели обслуживаются, пока не отключат их базовые модели.
-   **Сначала измерения.** Соберите [eval](https://broadrouter.com/ru/glossary/eval/) до обучения, иначе вы не поймёте, стала ли дообученная модель лучше.

Дообучение плохо подходит для добавления меняющихся фактов. Поиск (retrieval) поддерживает их актуальными.

## В BroadNet Inference

[Справочник API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-fine-tuning&utm_content=body#models) BroadNet не описывает API дообучения, задачи обучения или загрузку собственных весов. Зато в нём сказано, что “our Arabic fine-tunes and other models on request” (перевод: «наши дообученные арабские модели и другие модели по запросу») доступны через приватный ID модели, который выдаётся вместе с эндпоинтом. BroadNet указывает одну такую модель по запросу: дообученную версию Cohere Transcribe Arabic для чисел, дат и имён в зашумлённом аудио. О публичной модели распознавания арабской речи читайте в [руководстве по распознаванию арабской речи](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/). Если вам нужно обучать собственную модель, обычно начинают с [модели с открытыми весами](https://broadrouter.com/ru/glossary/open-weight-model/); компромиссы разобраны в статье [открытые и закрытые модели](https://broadrouter.com/ru/blog/open-weight-vs-closed-models/).

## Вопросы и ответы

### Сколько примеров нужно, чтобы дообучить LLM?

Руководство OpenAI устанавливает минимум в 10 примеров и советует начать с 50 качественных, а затем измерить результат. Если 50 хороших примеров ничего не меняют, пересмотрите задачу, прежде чем добавлять новые.

### Дообучение или RAG для корпоративных знаний?

Обычно поиск (retrieval). Дообучение хорошо учит поведению и формату, но меняющиеся факты проще поддерживать актуальными в документах, которые извлекаются в момент запроса.

### Можно ли дообучить модель в BroadNet Inference?

В документации BroadNet нет API для дообучения. В ней упомянуты собственные дообученные арабские модели BroadNet, доступные как приватные эндпоинты по запросу.

## См. также

-   [LoRA (низкоранговая адаптация)](https://broadrouter.com/ru/glossary/lora/) (термин)
-   [Дистилляция знаний (knowledge distillation)](https://broadrouter.com/ru/glossary/distillation/) (термин)
-   [Few-shot промптинг (few-shot prompting)](https://broadrouter.com/ru/glossary/few-shot-prompting/) (термин)
-   [Модель с открытыми весами (open-weight model)](https://broadrouter.com/ru/glossary/open-weight-model/) (термин)
-   [Eval (оценка LLM)](https://broadrouter.com/ru/glossary/eval/) (термин)
-   [API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/) (руководство)
-   [Открытые или закрытые модели ИИ для бизнеса: цена, контроль, риски](https://broadrouter.com/ru/blog/open-weight-vs-closed-models/) (статья)
-   [Как оценить LLM перед сменой провайдера](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-fine-tuning&utm_content=page-cta) ·

**Источники**

-   [OpenAI, руководство по supervised fine-tuning](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu и др. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Справочник BroadNet Inference API, ID моделей и приватные эндпоинты (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-fine-tuning&utm_content=sources#models)
