---
title: "Fine-tuning LLM là gì? Khi nào huấn luyện, khi nào prompt"
description: "Fine-tuning huấn luyện thêm một LLM có sẵn trên ví dụ của bạn để nó học một tác vụ hay phong cách. Cách hoạt động, cần bao nhiêu dữ liệu và khi nào nó hơn prompt."
url: https://broadrouter.com/vi/glossary/fine-tuning/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/fine-tuning/) (cập nhật ngày 2026-11-14).

# Fine-tuning (tinh chỉnh model)

Cập nhật 2026-11-14

Fine-tuning (tinh chỉnh) là quá trình tiếp tục huấn luyện một model ngôn ngữ đã được huấn luyện trước trên một tập dữ liệu nhỏ dành riêng cho tác vụ, như hội thoại mẫu, để trọng số thay đổi và model làm tác vụ hay phong cách đó ổn định hơn mà không cần chỉ dẫn dài trong mỗi prompt.

Còn gọi là: fine-tuning là gì, fine tune, tinh chỉnh model, tinh chỉnh LLM, finetune LLM, SFT, finetuning, supervised fine-tuning, model fine-tuning

Prompt bảo model phải làm gì mỗi lần. Fine-tuning thay đổi model để nó đã biết sẵn.

## Cách hoạt động

Bạn bắt đầu từ một model đã huấn luyện và chạy huấn luyện thêm trên ví dụ của mình. Trong supervised fine-tuning (SFT), mỗi ví dụ là một đoạn hội thoại kèm câu trả lời bạn muốn. Hướng dẫn của OpenAI dùng JSONL, “one complete JSON structure on every line” (Bản dịch: mỗi dòng là một cấu trúc JSON hoàn chỉnh), theo định dạng chat:

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

Job huấn luyện điều chỉnh trọng số để những câu trả lời đó dễ xuất hiện hơn, và trả về một model ID mới. OpenAI đặt mức tối thiểu là 10 ví dụ và khuyên bắt đầu với 50, đánh giá rồi mới thêm.

Full fine-tuning cập nhật mọi trọng số, rất tốn kém với model lớn. Bài báo LoRA của Hu và cộng sự cho rằng việc triển khai các bản sao fine-tune riêng của GPT-3, “each with 175B parameters” (Bản dịch: mỗi bản 175B tham số), đắt đến mức không khả thi. Các phương pháp tiết kiệm tham số như [LoRA](https://broadrouter.com/vi/glossary/lora/) thay vào đó chỉ huấn luyện một phần bổ sung nhỏ. [Distillation](https://broadrouter.com/vi/glossary/distillation/) là ý tưởng liên quan: fine-tune một model nhỏ trên đầu ra của một model lớn hơn.

## Vì sao quan trọng

-   **Prompt ngắn hơn.** Hành vi từng cần một [prompt few-shot](https://broadrouter.com/vi/glossary/few-shot-prompting/) dài có thể chuyển vào trọng số, giảm token input mỗi lần gọi.
-   **Tính nhất quán.** Phù hợp với phân loại, phong cách đầu ra cố định, dịch thuật chuyên ngành và sửa các lỗi không tuân theo chỉ dẫn.
-   **Bảo trì.** Model đã tinh chỉnh gắn chặt với một model nền. Khi model nền bị khai tử, bạn phải huấn luyện lại. Hướng dẫn của OpenAI hiện cho biết họ đang thu hẹp dần nền tảng fine-tuning, không nhận người dùng mới, và các model đã tinh chỉnh được phục vụ cho tới khi model nền ngừng hoạt động.
-   **Đo lường trước.** Hãy xây một bộ [eval](https://broadrouter.com/vi/glossary/eval/) trước khi huấn luyện, nếu không bạn sẽ không biết model đã tinh chỉnh có tốt hơn không.

Fine-tuning là cách kém để thêm các dữ kiện hay thay đổi. Truy xuất giữ chúng luôn cập nhật.

## Trên BroadNet Inference

[Tài liệu tham chiếu API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-fine-tuning&utm_content=body#models) của BroadNet không mô tả API fine-tuning, job huấn luyện hay việc tải lên trọng số của riêng bạn. Tài liệu có nói rằng “our Arabic fine-tunes and other models on request” (Bản dịch: các bản fine-tune tiếng Ả Rập của chúng tôi và các model khác theo yêu cầu) được truy cập bằng một model ID riêng cấp kèm endpoint. BroadNet liệt kê một model như vậy theo yêu cầu: bản fine-tune của Cohere Transcribe Arabic cho số, ngày tháng và tên riêng trong audio nhiều nhiễu. Với model chép lời tiếng Ả Rập công khai, xem [hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/). Nếu cần tự huấn luyện, [model trọng số mở](https://broadrouter.com/vi/glossary/open-weight-model/) là điểm xuất phát thường gặp; các đánh đổi có trong [model trọng số mở so với model đóng](https://broadrouter.com/vi/blog/open-weight-vs-closed-models/).

## Câu hỏi thường gặp

### Cần bao nhiêu ví dụ để fine-tune một LLM?

Hướng dẫn của OpenAI đặt mức tối thiểu là 10 và gợi ý bắt đầu với 50 ví dụ được làm kỹ, rồi đo lường. Nếu 50 ví dụ tốt không thay đổi gì, hãy xem lại tác vụ trước khi thêm ví dụ.

### Kiến thức nội bộ công ty nên dùng fine-tuning hay RAG?

Thường là truy xuất (RAG). Fine-tuning dạy hành vi và định dạng rất tốt, nhưng các dữ kiện hay thay đổi dễ giữ cập nhật hơn trong tài liệu được truy xuất lúc gửi request.

### Có fine-tune model trên BroadNet Inference được không?

Tài liệu BroadNet không liệt kê API fine-tuning. Tài liệu có nhắc tới các bản fine-tune tiếng Ả Rập của chính BroadNet, truy cập qua private endpoint theo yêu cầu.

## Xem thêm

-   [LoRA (low-rank adaptation)](https://broadrouter.com/vi/glossary/lora/) (thuật ngữ)
-   [Chưng cất tri thức (knowledge distillation)](https://broadrouter.com/vi/glossary/distillation/) (thuật ngữ)
-   [Few-shot prompting (prompt kèm ví dụ)](https://broadrouter.com/vi/glossary/few-shot-prompting/) (thuật ngữ)
-   [Model trọng số mở (open-weight model)](https://broadrouter.com/vi/glossary/open-weight-model/) (thuật ngữ)
-   [Eval (đánh giá LLM)](https://broadrouter.com/vi/glossary/eval/) (thuật ngữ)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/) (hướng dẫn)
-   [LLM open-weight hay đóng cho doanh nghiệp: chi phí, kiểm soát, rủi ro](https://broadrouter.com/vi/blog/open-weight-vs-closed-models/) (bài viết)
-   [Cách đánh giá LLM trước khi đổi nhà cung cấp](https://broadrouter.com/vi/blog/evaluate-llm-before-switching/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [OpenAI, hướng dẫn supervised fine-tuning](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu và cộng sự (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Tài liệu tham chiếu API BroadNet Inference, model ID và private endpoint (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-fine-tuning&utm_content=sources#models)
