Esittelyssä parannettu API-rajapinnan hienosäätö ja laajennus mukautettujen mallien ohjelmaamme

Päivitys 8.5.2026: OpenAI on lakkauttamassa hienosäätöalustaa asteittain. Alusta ei ole enää uusien käyttäjien käytettävissä, mutta hienosäätöalustan nykyiset käyttäjät voivat luoda koulutustöitä tulevien kuukausien ajan. Kaikki hienosäädetyt mallit pysyvät käytettävissä päättelyyn, kunnes niiden perusmallit poistetaan käytöstä⁠(avautuu uudessa ikkunassa). Koko aikataulu on täällä⁠(avautuu uudessa ikkunassa).

Kehittäjät voivat hyödyntää useita tekniikoita⁠(avautuu uudessa ikkunassa) mallin suorituskyvyn parantamiseksi, viiveen vähentämiseksi, tarkkuuden lisäämiseksi ja kustannusten pienentämiseksi. Olemme kehittäneet useita vaihtoehtoja asiakkaidemme tekoälytoteutusten tukemiseksi, olipa kyse mallin tietokannan laajentamisesta hakupohjaisella generoinnilla (RAG), mallin toiminnan mukauttamisesta hienosäädöllä tai räätälöidyn mallin rakentamisesta uusilla toimialakohtaisilla tiedoilla. Julkaisemme tänään uusia ominaisuuksia, joiden avulla kehittäjät voivat hallita API:n kautta tehtävää hienosäätöä paremmin. Lisäksi esittelemme lisää tapoja tehdä yhteistyötä tekoälyasiantuntijoista ja tutkijoista koostuvan tiimimme kanssa mukautettujen mallien rakentamiseksi.

Julkaisimme GPT‑3.5:n itsepalveluperiaatteella toimivan hienosäädettävän API:n⁠(avautuu uudessa ikkunassa) elokuussa 2023. Siitä lähtien tuhannet organisaatiot ovat kouluttaneet satojatuhansia malleja API:mme avulla. Hienosäätö voi auttaa malleja ymmärtämään sisältöä syvällisemmin ja täydentämään mallin olemassa olevaa tietokantaa ja ominaisuuksia tiettyä tehtävää varten. Hienosäädettävä API-rajapintamme tukee myös suurempaa määrää esimerkkejä kuin yhteen kehotteeseen mahtuu, mikä parantaa tuotosten laatua ja vähentää kustannuksia ja viivettä. Joitakin yleisiä hienosäädön käyttötapauksia ovat mallin kouluttaminen paremman koodin luomiseksi tietyllä ohjelmointikielellä, tekstin tiivistäminen tietyssä muodossa tai personoidun sisällön luominen käyttäjän käyttäytymisen perusteella.

Esimerkiksi Indeed⁠(avautuu uudessa ikkunassa), maailmanlaajuinen työpaikkojen yhteensovittamisen ja rekrytoinnin alusta, haluaa yksinkertaistaa rekrytointiprosessia. Osana tätä hanketta Indeed lanseerasi ominaisuuden, joka lähettää työnhakijoille henkilökohtaisia ​​suosituksia ja korostaa heidän taitojensa, kokemuksensa ja mieltymystensä perusteella relevantteja työpaikkoja. Yritys hienosääti GPT‑3.5 Turboa, jotta se voisi tuottaa laadukkaampia ja tarkempia selityksiä. Sen seurauksena Indeed pystyi parantamaan kustannuksia ja viivettä vähentämällä kehotteessa olevien tunnisteiden määrää 80 prosentilla. Se mahdollisti työnhakijoille lähetettyjen viestien määrän skaalaamisen alle miljoonasta kuukaudessa noin 20 miljoonaan.

Esittelemme nyt uusia ominaisuuksia⁠(avautuu uudessa ikkunassa), jotka antavat kehittäjille entistä enemmän hienosäätöjen hallintamahdollisuuksia, mukaan lukien:

• Epoch-pohjaisen tarkastuspisteen luominen: Yhden täysin hienosäädetyn mallin tarkastuspisteen tuottaminen automaattisesti jokaisen harjoitusjakson aikana, mikä vähentää myöhemmän uudelleenkoulutuksen tarvetta, erityisesti ylisovituksen tapauksissa
• Vertaileva Playground: Mallien laadun ja suorituskyvyn vertailuun tarkoitettu uusi rinnakkainen Playground-käyttöliittymä, jonka avulla ihminen voi arvioida useiden mallien tuotoksia tai hienosäätää tilannekuvia yhden kehotteen perusteella.
• Kolmannen osapuolen integrointi: Tuki kolmansien osapuolten alustojen integraatioille (alkaen tällä viikolla Weights and Biasesista⁠(avautuu uudessa ikkunassa)), jotta kehittäjät voivat jakaa tarkkaa hienosäätödataa muille ohjelmistopinonsa käyttäjille.
• Kattavat validointimittarit: Mahdollisuus laskea mittareita, kuten hävikkiä ja tarkkuutta, validoinnin koko tietojoukosta otoskohtaisen erän sijaan, mikä antaa paremman käsityksen mallin laadusta
• Hyperparametrien määritykset: Mahdollisuus määrittää käytettävissä olevia hyperparametreja ohjauspaneelista⁠(avautuu uudessa ikkunassa) (ei pelkästään API:n tai SDK:n kautta)
• Ohjauspaneelin parannusten hienosäätö: Sisältää mahdollisuuden määrittää hyperparametreja, tarkastella tarkempia harjoitusmittareita ja suorittaa töitä uudelleen aiemmista kokoonpanoista

Julkistimme⁠ DevDay-tapahtumassa viime marraskuussa Custom Model -ohjelman, jonka tarkoituksena on kouluttaa ja optimoida malleja tietylle toimialalle yhteistyössä erityisen OpenAI-tutkijaryhmän kanssa. Siitä lähtien olemme tavanneet kymmeniä asiakkaita arvioidaksemme heidän räätälöityjen mallien tarpeitaan ja kehittäneet ohjelmaamme suorituskyvyn maksimoimiseksi entisestään.

Julkistamme nyt virallisesti avustetun hienosäätötarjontamme osana räätälöityjen mallien ohjelmaa. Avustettu hienosäätö on teknisten tiimiemme kanssa tehtävä yhteistyöhanke, jossa hyödynnetään hienosäädettävän API:n lisäksi muita tekniikoita, kuten lisää hyperparametreja ja erilaisia ​​tehokkaita parametrien hienosäätömenetelmiä (PEFT) laajemmassa mittakaavassa. Se on erityisen hyödyllinen organisaatioille, jotka tarvitsevat tukea tehokkaiden koulutusdataputkien, arviointijärjestelmien sekä räätälöityjen parametrien ja menetelmien määrittämisessä mallin suorituskyvyn maksimoimiseksi sen käyttötapauksessa tai tehtävässä.

Esimerkiksi teleoperaattori SK Telecom⁠(avautuu uudessa ikkunassa), jolla on yli 30 miljoonaa tilaajaa Etelä-Koreassa, halusi räätälöidä mallia olemaan televiestintäalan asiantuntija ja keskittymään aluksi asiakaspalveluun. Yritys työskenteli OpenAI:n kanssa hienosäätääkseen GPT‑4‑mallia parantamaan sen suorituskykyä koreankielisissä televiestintään liittyvissä keskusteluissa. Useiden viikkojen aikana SKT ja OpenAI paransivat merkittävästi televiestinnän asiakaspalvelutehtävien suorituskykyä. Keskustelujen yhteenvetojen laatu parani 35 %, aikomuksen tunnistuksen tarkkuus parani 33 % ja tyytyväisyyspisteet nousivat 3,6:sta 4,5:een (asteikolla 1–5), kun hienosäädettyä mallia verrattiin GPT‑4:ään.

Joissakin tapauksissa organisaatioiden on koulutettava alusta alkaen tarkoitukseen rakennettu malli, joka ymmärtää niiden liiketoimintaa, toimialaa tai toimialuetta. Täysin räätälöidyt mallit omaksuvat uutta tietoa tietyltä alueelta muokkaamalla mallin koulutusprosessin keskeisiä vaiheita käyttämällä uusia koulutuksen keskivaiheilla ja sen jälkeen tehtäviä tekniikoita. Organisaatioilla, jotka menestyvät täysin räätälöidyllä koulutetulla mallilla, on usein suuria määriä omaa dataa – miljoonia esimerkkejä tai miljardeja tunnisteita – joita ne haluavat käyttää kouluttamaan mallille uutta tietoa tai monimutkaisia, ainutlaatuisia käyttäytymismalleja tarkoin määritetyissä käyttötapauksissa.

Esimerkiksi tekoälyyn perustuva lakityökalu asianajajille Harvey⁠(avautuu uudessa ikkunassa), teki yhteistyötä OpenAI:n kanssa0 luodakseen räätälöidyn laajan kielimallin oikeuskäytäntöä varten⁠. Vaikka perustusmallit olivat vahvoja päättelyssä, niiltä puuttui laaja tietokanta oikeustapaushistoriasta ja muusta oikeudellisessa työssä vaadittavasta tiedosta. Testattuaan kehotemuotoilua RAG:ia ja hienosäätöä Harvey työskenteli tiimimme kanssa lisätäkseen malliin tarvittavan kontekstin syvyyden, joka vastaa 10 miljardin tunnisteen arvosta dataa. Tiimimme muokkasi mallikoulutusprosessin jokaista vaihetta aina alakohtaisesta koulutuksen keskivaiheesta koulutuksen jälkeisten prosessien mukauttamiseen ja sisältämään palautteen asiantuntevilta asianajajilta. Tuloksena oleva malli saavutti 83 prosentin kasvun tosiasioihin perustuvissa vastauksissa, ja asianajajat pitivät räätälöidyn mallin tuloksia parempana 97 prosentissa tapauksista verrattuna GPT‑4‑malliin.

Uskomme, että tulevaisuudessa valtaosa organisaatioista kehittää mukautettuja malleja, jotka on räätälöity niiden toimialalle, liiketoimintaan tai käyttötapaukseen. Koska käytettävissä on useita tekniikoita mukautetun mallin rakentamiseen, kaikenkokoiset organisaatiot voivat kehittää yksilöllisiä malleja saavuttaakseen merkityksellisemmän ja tarkemman vaikutuksen tekoälytoteutuksillaan. Olennaista on selkeästi rajata käyttötapaus, suunnitella ja toteuttaa arviointijärjestelmät, valita oikeat tekniikat ja olla valmiita iteroimaan mallia ajan myötä, jotta se saavuttaa optimaalisen suorituskyvyn.

OpenAI:n avulla useimmat organisaatiot voivat nähdä merkityksellisiä tuloksia nopeasti itsepalveluperiaatteella toimivan hienosäätörajapinnan avulla. Mukautettujen mallien ohjelmamme voivat auttaa organisaatioita, jotka tarvitsevat malliensa syvällisempää hienosäätöä tai uuden, toimialakohtaisen tiedon sisällyttämistä malliin.

Aloita malliemme hienosäätö tutustumalla hienosäädettävän API:n dokumentaatioomme⁠(avautuu uudessa ikkunassa).