Introducing improvements to the fine-tuning API and expanding our custom models program

08.05.2026 ના રોજ અપડેટ: OpenAI ફાઇન-ટ્યુનિંગ પ્લેટફોર્મને ધીમે ધીમે બંધ કરી રહ્યું છે. આ પ્લેટફોર્મ હવે નવા વપરાશકર્તાઓ માટે ઍક્સેસિબલ નથી, પરંતુ ફાઇન-ટ્યુનિંગ પ્લેટફોર્મના હાલના વપરાશકર્તાઓ આવનારા કેટલાક મહિનાઓ સુધી ટ્રેનિંગ જોબ્સ બનાવી શકશે. બધા ફાઇન-ટ્યુન કરેલા મોડલ્સ ઇન્ફરન્સ માટે તેમના બેઝ મોડલ્સ ડિપ્રિકેટ⁠(નવી વિન્ડોમાં ખૂલે છે) ન થાય ત્યાં સુધી ઉપલબ્ધ રહેશે. સંપૂર્ણ સમયરેખા અહીં⁠(નવી વિન્ડોમાં ખૂલે છે) ઉપલબ્ધ છે.

વિલંબતા ઘટાડવા, ચોકસાઈ સુધારવા અને ખર્ચ ઘટાડવાના પ્રયાસમાં, ડેવલપર્સ મોડલની કામગીરી વધારવા માટે ઉપયોગ કરી શકે તેવી વિવિધ તકનીકો⁠(નવી વિન્ડોમાં ખૂલે છે) છે. રિટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) સાથે મોડલના જ્ઞાનને વિસ્તૃત કરવું હોય, ફાઇન-ટ્યુનિંગ દ્વારા મોડલના વર્તનને કસ્ટમાઇઝ કરવું હોય, અથવા નવા ડોમેન-વિશિષ્ટ જ્ઞાન સાથે કસ્ટમ-ટ્રેઇન્ડ મોડલ બનાવવું હોય, અમે અમારા ગ્રાહકોના AI અમલીકરણ માટે વિકલ્પોની શ્રેણી વિકસાવી છે. આજે, અમે API સાથે ફાઇન-ટ્યુનિંગ પર ડેવલપર્સને વધુ નિયંત્રણ આપવા માટે નવી સુવિધાઓ રજૂ કરી રહ્યા છીએ અને કસ્ટમ મોડલ બનાવવા માટે AI નિષ્ણાતો અને સંશોધકોની અમારી ટીમ સાથે કામ કરવાની વધુ રીતો રજૂ કરી રહ્યા છીએ.

We launched the self-serve fine-tuning API⁠(નવી વિન્ડોમાં ખૂલે છે) for GPT‑3.5 in August 2023. Since then, thousands of organizations have trained hundreds of thousands of models using our API. Fine-tuning can help models deeply understand content and augment a model’s existing knowledge and capabilities for a specific task. Our fine-tuning API also supports a larger volume of examples than can fit in a single prompt to achieve higher quality results while reducing cost and latency. Some of the common use cases of fine-tuning include training a model to generate better code in a particular programming language, to summarize text in a specific format, or to craft personalized content based on user behavior.

For example, Indeed⁠(નવી વિન્ડોમાં ખૂલે છે), a global job matching and hiring platform, wants to simplify the hiring process. As part of this, Indeed launched a feature that sends personalized recommendations to job seekers, highlighting relevant jobs based on their skills, experience, and preferences. They fine-tuned GPT‑3.5 Turbo to generate higher quality and more accurate explanations. As a result, Indeed was able to improve cost and latency by reducing the number of tokens in prompt by 80%. This let them scale from less than one million messages to job seekers per month to roughly 20 million.

Today, we’re introducing new features⁠(નવી વિન્ડોમાં ખૂલે છે) to give developers even more control over their fine-tuning jobs, including:

• Epoch-based Checkpoint Creation: Automatically produce one full fine-tuned model checkpoint during each training epoch, which reduces the need for subsequent retraining, especially in the cases of overfitting
• Comparative Playground: A new side-by-side Playground UI for comparing model quality and performance, allowing human evaluation of the outputs of multiple models or fine-tune snapshots against a single prompt
• Third-party Integration: Support for integrations with third-party platforms (starting with Weights and Biases⁠(નવી વિન્ડોમાં ખૂલે છે) this week) to let developers share detailed fine-tuning data to the rest of their stack
• Comprehensive Validation Metrics: The ability to compute metrics like loss and accuracy over the entire validation dataset instead of a sampled batch, providing better insight on model quality
• Hyperparameter Configuration: The ability to configure available hyperparameters from the Dashboard⁠(નવી વિન્ડોમાં ખૂલે છે) (rather than only through the API or SDK)
• Fine-Tuning Dashboard Improvements: Including the ability to configure hyperparameters, view more detailed training metrics, and rerun jobs from previous configurations

ગયા નવેમ્બરમાં DevDay પર, અમે જાહેરાત કરી હતી⁠ કે ચોક્કસ ક્ષેત્ર માટે મોડલને ટ્રેન અને optimize કરવા માટે OpenAIના સમર્પિત સંશોધકોના જૂથ સાથે ભાગીદારીમાં બનાવાયેલ Custom Model program શરૂ કરવામાં આવ્યો છે. ત્યારથી, અમે ડઝનો ગ્રાહકો સાથે તેમની custom model જરૂરિયાતોનું મૂલ્યાંકન કરવા મળ્યા છીએ અને પ્રદર્શનને વધુ મહત્તમ બનાવવા માટે અમારા programને વિકસાવ્યો છે.

આજે, અમે Custom Model programના ભાગરૂપે અમારી assisted fine-tuning offeringની ઔપચારિક જાહેરાત કરી રહ્યા છીએ. assisted fine-tuning અમારી ટેક્નિકલ ટીમો સાથેનો સહયોગી પ્રયાસ છે, જે fine-tuning APIથી આગળની ટેક્નિક્સનો ઉપયોગ કરે છે, જેમ કે વધારાના hyperparameters અને મોટા સ્તરે વિવિધ parameter efficient fine-tuning (PEFT) પદ્ધતિઓ. ખાસ કરીને એવી સંસ્થાઓ માટે આ ઉપયોગી છે, જેમને તેમની use case અથવા task માટે મોડલનું પ્રદર્શન મહત્તમ બનાવવા કાર્યક્ષમ training data pipelines, evaluation systems અને કસ્ટમ parameters અને methods ગોઠવવામાં સહાયની જરૂર હોય.

ઉદાહરણ તરીકે, દક્ષિણ કોરિયામાં 30 મિલિયનથી વધુ subscribersને સેવા આપતું telecommunications Operator SK Telecom⁠(નવી વિન્ડોમાં ખૂલે છે), customer service પર પ્રારંભિક ધ્યાન સાથે telecommunications ક્ષેત્રમાં નિષ્ણાત બને એવું મોડલ કસ્ટમાઇઝ કરવા માગતું હતું. તેમણે Korean ભાષામાં telecom સંબંધિત સંવાદોમાં GPT‑4નું પ્રદર્શન સુધારવા OpenAI સાથે મળીને તેને fine-tune કર્યું. અનેક અઠવાડિયા દરમિયાન, SKT અને OpenAIએ telecom customer service કાર્યોમાં નોંધપાત્ર પ્રદર્શન સુધારો હાંસલ કર્યો—conversation summarization qualityમાં 35% વધારો, intent recognition accuracyમાં 33% વધારો, અને fine-tuned મોડલની GPT‑4 સાથે તુલના કરતાં satisfaction scores 3.6થી 4.5 (5માંથી) સુધી વધ્યા.

In some cases, organizations need to train a purpose-built model from scratch that understands their business, industry, or domain. Fully custom-trained models imbue new knowledge from a specific domain by modifying key steps of the model training process using novel mid-training and post-training techniques. Organizations that see success with a fully custom-trained model often have large quantities of proprietary data—millions of examples or billions of tokens—that they want to use to teach the model new knowledge or complex, unique behaviors for highly specific use cases.

For example, Harvey⁠(નવી વિન્ડોમાં ખૂલે છે), an AI-native legal tool for attorneys, partnered with OpenAI to create a custom-trained large language model for case law⁠. While foundation models were strong at reasoning, they lacked the extensive knowledge of legal case history and other knowledge required for legal work. After testing out prompt engineering, RAG, and fine-tuning, Harvey worked with our team to add the depth of context needed to the model—the equivalent of 10 billion tokens worth of data. Our team modified every step of the model training process, from domain-specific mid-training to customizing post-training processes and incorporating expert attorney feedback. The resulting model achieved an 83% increase in factual responses and attorneys preferred the customized model’s outputs 97% of the time over GPT‑4.

અમને વિશ્વાસ છે કે ભવિષ્યમાં, સંસ્થાઓનો વિશાળ બહુમતી એવો customized મોડલ વિકસાવશે જે તેમના ઉદ્યોગ, બિઝનેસ અથવા ઉપયોગ કિસ્સા મુજબ વ્યક્તિગત બનાવેલો હશે. custom મોડલ બનાવવા માટે ઉપલબ્ધ વિવિધ ટેક્નિક્સ સાથે, તમામ કદની સંસ્થાઓ તેમના AI અમલીકરણોમાંથી વધુ અર્થપૂર્ણ અને વિશિષ્ટ અસર હાંસલ કરવા માટે વ્યક્તિગત મોડલ વિકસાવી શકે છે. મુખ્ય બાબત એ છે કે use caseને સ્પષ્ટ રીતે વ્યાખ્યાયિત કરવો, evaluation systems ડિઝાઇન અને અમલમાં મૂકવા, યોગ્ય ટેક્નિક્સ પસંદ કરવી અને મોડલ શ્રેષ્ઠ પ્રદર્શન સુધી પહોંચે તે માટે સમય સાથે iteration કરવા તૈયાર રહેવું.

OpenAI સાથે, મોટાભાગની સંસ્થાઓ self-serve fine-tuning APIથી ઝડપથી અર્થપૂર્ણ પરિણામો જોઈ શકે છે. જે સંસ્થાઓને તેમના મોડલને વધુ ઊંડાણથી fine-tune કરવાની અથવા મોડલમાં નવું, ક્ષેત્ર-વિશિષ્ટ જ્ઞાન ઉમેરવાની જરૂર હોય, તેમની માટે અમારા Custom Model programs મદદરૂપ થઈ શકે છે.

અમારા મોડલ્સનું fine-tuning શરૂ કરવા માટે અમારી fine-tuning API⁠(નવી વિન્ડોમાં ખૂલે છે) docs જુઓ.