Vi introduserer forbedringer til API-et for finjustering og utvidelse av programmet for egendefinerte modeller

Oppdatering 8. mai 2026: OpenAI avvikler plattformen for finjustering. Plattformen er ikke lenger tilgjengelig for nye brukere, men dere som allerede bruker plattformen for finjustering vil kunne opprette opplæringsjobber i de kommende månedene. Alle finjusterte modeller vil fortsatt være tilgjengelige for inferens frem til basismodellene deres blir avviklet⁠(åpnes i et nytt vindu). Den fullstendige tidslinjen er her⁠(åpnes i et nytt vindu).

Det finnes en rekke teknikker⁠(åpnes i et nytt vindu) som utviklere kan bruke for å forbedre modellens ytelse, redusere ventetid, forbedre nøyaktighet og kutte kostnader. Enten det er å utvide modellens kunnskap med retrieval-augmented generation (RAG), tilpasse modellens oppførsel med finjustering, eller bygge en spesialtrent modell med ny domenespesifikk kunnskap, har vi utviklet mange alternativer for å støtte kundenes AI-implementeringer. I dag lanserer vi nye funksjoner som gir utviklere mer kontroll over finjustering med API-et, og vi introduserer flere måter å jobbe sammen med teamet vårt av AI-eksperter og forskere for å bygge egendefinerte modeller.

Vi lanserte selvbetjent API for finjustering⁠(åpnes i et nytt vindu) for GPT‑3.5 i august 2023. Siden den gang har tusenvis av organisasjoner lært opp hundretusener av modeller ved hjelp av API-et vårt. Finjustering kan hjelpe modeller med en grundig forståelse av innholdet og utvide en modells eksisterende kunnskap og evner til en spesifikk oppgave. Vårt API for finjustering støtter også et større antall eksempler enn det som får plass i en enkelt melding for å oppnå resultater av høyere kvalitet, samtidig som kostnader og forsinkelse reduseres. Noen av de vanlige bruksområdene for finjustering inkluderer å lære opp en modell til å generere bedre kode i et bestemt programmeringsspråk, å oppsummere tekst i et spesifikt format, eller å lage tilpasset innhold basert på brukeradferd.

For eksempel ønsker Indeed⁠(åpnes i et nytt vindu), en global plattform for jobbsøk og -ansettelse, å forenkle ansettelsesprosessen. Som en del av dette lanserte Indeed en funksjon som sender tilpassede anbefalinger til jobbsøkere, som fremhever relevante jobber basert på deres ferdigheter, erfaring og preferanser. De finjusterte GPT‑3.5 Turbo til å generere forklaringer av høyere kvalitet og med større nøyaktighet. Som et resultat klarte Indeed å forbedre kostnader og forsinkelse ved å redusere antall tokener i meldingen med 80 %. Dette gjorde at de kunne øke fra mindre enn én million meldinger til jobbsøkere per måned, til omtrent 20 millioner.

I dag introduserer vi nye funksjoner⁠(åpnes i et nytt vindu) for å gi utviklere enda mer kontroll over finjusteringsjobber, inkludert:

• Øktbasert opprettelse av sjekkpunkt: Produserer automatisk ett fullstendig finjustert modellsjekkpunkt under hver opplæringsøkt, noe som reduserer behovet for påfølgende gjenopplæring, spesielt ved overtilpasning.
• Sammenlignbar Playground: Et nytt side-om-side Playground-brukergrensesnitt for å sammenligne modellkvalitet og -ytelse, som tillater menneskelig evaluering av utdata fra flere modeller eller finjusterte snapshot mot en enkelt melding.
• Tredjeparts integrasjon: Støtte for integrasjoner med tredjepartsplattformer (vi starter med Weights and Biases⁠(åpnes i et nytt vindu) denne uken) slik at utviklere kan dele detaljerte finjusteringsdata til resten av stakken.
• Omfattende valideringsmåltall: Evnen til å beregne måltall som tap og nøyaktighet over hele valideringsdatasettet i stedet for i en stikkprøve, gir bedre innsikt i modellkvaliteten.
• Konfigurasjon av hyperparametere: Muligheten til å konfigurere tilgjengelige hyperparametere fra Instrumentpanelet⁠(åpnes i et nytt vindu) (i stedet for kun gjennom API eller SDK)
• Forbedringer av instrumentpanelet for finjustering: Inkluderer muligheten til å konfigurere hyperparametere, vise mer detaljerte opplæringsmåltall og kjøre jobber fra tidligere konfigurasjoner på nytt.

På DevDay i november i fjor annonserte⁠ vi et program for egendefinerte modeller utformet for å lære opp og optimalisere modeller for et spesifikt domene, i samarbeid med en dedikert gruppe OpenAI-forskere. Siden den gang har vi møtt dusinvis av kunder for å vurdere deres behov for egendefinerte modeller og utviklet programmet for å maksimere ytelsen ytterligere.

I dag kunngjør vi formelt tilbudet vårt om assistert finjustering som en del av programmet for egendefinerte modeller. Assistert finjustering er et samarbeidsprosjekt med de tekniske teamene våre for å utnytte teknikker utover API-et for finjustering, som ekstra hyperparametere og ulike parameter-effektive finjusteringsmetoder (PEFT) i større skala. Det er spesielt nyttig for organisasjoner som trenger støtte til å sette opp effektive prosesser for opplæringsdata, evalueringssystemer og skreddersydde parametere samt metoder for å maksimere modellens ytelse til deres bruksområde eller oppgave.

For eksempel ønsket SK Telecom⁠(åpnes i et nytt vindu), en teleoperatør med over 30 millioner abonnenter i Sør-Korea, å tilpasse en modell til å være en ekspert innen telekommunikasjon med fokus på kundeservice. De jobbet med OpenAI for å finjustere GPT‑4 for å forbedre ytelsen til telekommunikasjonsrelaterte samtaler på koreansk. I løpet av en periode på flere uker oppnådde SKT og OpenAI betydelig ytelsesforbedring av kundeserviceoppgaver innen telekommunikasjon – en økning på 35 % i kvaliteten på samtalesammendrag, en økning på 33 % i nøyaktigheten av intensjonsgjenkjenning og en økning i tilfredshetsresultater fra 3,6 til 4,5 (av 5) – ved sammenligning av den finjusterte modellen og GPT‑4.

I noen tilfeller må organisasjoner lære opp en spesialbygd modell fra bunnen av til å forstå virksomheten, bransjen eller domenet deres. Fullstendig egenopplærte modeller tilfører ny kunnskap fra et spesifikt domene ved å endre viktige trinn i modellens opplæringsprosess ved hjelp av nye teknikker for mellomopplæring og etteropplæring. Organisasjoner som oppnår suksess med en fullstendig egenopplært modell har ofte store mengder proprietære data – millioner av eksempler eller milliarder av tokener – som de ønsker å bruke for å lære modellen ny kunnskap eller kompleks, unik adferd til svært spesifikke bruksområder.

For eksempel samarbeidet Harvey⁠(åpnes i et nytt vindu), et AI-basert juridisk verktøy for advokater, med OpenAI for å lage en egenopplært stor språkmodell for rettspraksis⁠. Mens grunnmodellene var sterke på resonnement, manglet de den omfattende kunnskapen om rettspraksis og annen kunnskap som kreves for juridisk arbeid. Etter å ha testet ut spørreteknikk, RAG og finjustering, samarbeidet Harvey med teamet vårt for å legge til den nødvendige kontekstdybden til modellen – det tilsvarer 10 milliarder tokener med data. Teamet vårt endret hvert steg i modellopplæringsprosessen, fra domenespesifikk mellomopplæring til egendefinering av etteropplæringsprosesser og inkludering av tilbakemeldinger fra sakkyndige advokater. Den resulterende modellen oppnådde en 83 % økning i faktabaserte svar, og advokater foretrakk utfallene fra den egendefinerte modellen 97 % av tiden fremfor GPT‑4.

Vi tror at i fremtiden vil det store flertallet av organisasjoner utvikle egendefinerte modeller som er tilpasset deres bransje, virksomhet eller bruksområder. Med en rekke teknikker tilgjengelig for å bygge en egendefinert modell, kan organisasjoner av alle størrelser utvikle tilpassede modeller for å oppnå mer meningsfull og spesifikk innvirkning av AI-implementeringene. Nøkkelen er å tydelig avgrense bruksområdet, utforme og implementere evalueringssystemer, velge riktige teknikker og være forberedt på å utføre forbedringer over tid for at modellen skal nå optimal ytelse.

Med OpenAI kan de fleste organisasjoner raskt oppnå meningsfulle resultater med det selvbetjente API-et for finjustering. Programmene våre for egendefinerte modeller kan hjelpe alle organisasjoner som trenger å finjustere modellene sine mer eller som ønsker å tilføre ny, domenespesifikk kunnskap til modellen.

Gå til dokumentene om API for finjustering⁠(åpnes i et nytt vindu) for å begynne å finjustere modellene våre.