Presenterar förbättrad finjustering av API och utökat program för våra anpassade modeller

Uppdatering den 8 maj 2026: OpenAI avvecklar plattformen för finjustering. Plattformen är inte längre tillgänglig för nya användare men befintliga användare kommer att kunna skapa träningsjobb under de kommande månaderna. Alla finjusterade modeller kommer att förbli tillgängliga för inferens tills deras basmodeller är utfasade⁠(öppnas i ett nytt fönster). Den fullständiga tidsplanen finns här⁠(öppnas i ett nytt fönster).

Det finns olika tekniker⁠(öppnas i ett nytt fönster) som utvecklare kan använda för att förbättra modellprestanda i ett försök att minska latensen, förbättra riktigheten och minska kostnaderna. Oavsett om det handlar om att utöka modellkunskaper med hämtningsförstärkt generation (RAG), anpassa modellens beteende genom finjustering, eller skapa en specialtränad modell med ny domänspecifik kunskap har vi utvecklat olika alternativ för att stödja våra kunders AI-implementeringar. Idag lanserar vi nya funktioner för att ge utvecklare mer kontroll över finjustering av API:et och presenterar fler sätt att samarbeta med experter och forskare i vårt AI-team för att skapa anpassade modeller.

Vi lanserade det självtjänande finjusterande API:et⁠(öppnas i ett nytt fönster) till GPT‑3.5 i augusti 2023. Sedan dess har tusentals organisationer tränat hundratusentals modeller med vårt API. Finjustering kan hjälpa modeller att förstå innehåll på djupet och förbättra en modells befintliga kunskaper och funktioner för en specifik uppgift. Vårt finjusterande API stödjer också ett större antal exempel än vad som får plats i en enskild prompt för att uppnå högkvalitativa resultat medan det sänker kostnad och latens. Vanliga användarfall för finjustering inkluderar att träna en modell till att generera bättre kod på ett särskilt programmeringsspråk, sammanfatta text i ett särskilt format eller skapa anpassat innehåll baserat på användarbeteende.

Indeed⁠(öppnas i ett nytt fönster), en global jobbmatchnings- och anställningsplattform, vill t.ex. förenkla anställningsprocessen. Som en del av detta lanserade Indeed en funktion som skickar anpassade rekommendationer till jobbsökande med utvalda relevanta jobb baserade på deras färdigheter, erfarenheter och preferenser. De finjusterade GPT‑3.5 Turbo till att generera förklaringar med högre kvalitet och mer noggrannhet. Till följd av detta kunde Indeed förbättra kostnaderna och latensen genom att minska antalet token i prompt med 80 %. Det gör att de kan skala från mindre än en miljon meddelanden till jobbsökande per månad till cirka 20 miljoner.

Idag presenterar vi nya funktioner⁠(öppnas i ett nytt fönster) för att ge utvecklare ännu mer kontroll över deras finjusteringsjobb, inklusive:

• Skapa epokbaserade återställningspunkter: Skapa en återställningspunkt för en helt finjusterad modell för varje träningsepok, vilket minskar behovet för efterföljande omträning, särskilt vid överanpassning
• Jämförbar Playground: Ett nytt sida vid sida-användargränssnitt i Playground för att jämföra modellkvalitet och -prestanda, som möjliggör mänsklig utvärdering av flera modellers utdata eller finjustering av ögonblicksbilder mot en enskild prompt
• Tredjepartsintegrering: Stöd för integrering med tredjepartsplattformar (som börjar med Weights and Biases⁠(öppnas i ett nytt fönster) nu i veckan) för att låta utvecklare dela detaljerad finjusteringsdata med resten av deras stack
• Kompletta valideringsvärden: Förmågan att beräkna värden, som till exempel förlust och riktighet över hela valideringsdatamängden istället för en provsats, vilket ger bättre insikt om modellkvaliteten
• Hyperparameterkonfiguration: Förmågan att konfigurera tillgängliga hyperparametrar från infopanelen⁠(öppnas i ett nytt fönster) (snarare än endast genom API:et eller SDK:et)
• Förbättrad infopanel för finjusteringar: Inklusive förmågan att konfigurera hyperparametrar, visa mer detaljerade träningsvärden och köra om jobb från tidigare konfigurationer

På DevDay i november förra året informerade⁠ vi om ett anpassat modellprogram som utformats för att träna och optimera modeller för en specifik domän i partnerskap med en dedikerad grupp OpenAI-forskare. Sedan dess har vi träffat dussintals kunder för att bedöma deras behov för anpassade modeller och utvecklat vårt program för att ytterligare förbättra prestandan.

Idag tillkännager vi vårt erbjudande om assisterad finjustering som en del av det anpassade modellprogrammet. Assisterad finjustering är ett samarbete med våra tekniska team för att utnyttja tekniker bortom finjusterings-API:et, såsom ytterligare hyperparametrar och olika parametereffektiva finjusteringsmetoder (PEFT) på en större skala. Det är särskilt användbart för organisationer som behöver stöd när det gäller att konfigurera effektiva arbetsflöden för träningsdata, utvärderingssystem och anpassade parametrar samt metoder för att förbättra modellprestandan i användningsfallet eller uppgiften.

SK Telecom⁠(öppnas i ett nytt fönster), en telekommunikationsleverantör med över 30 miljoner abonnenter i Sydkorea, ville till exempel anpassa en modell till att bli en expert inom telekommunikation, med huvudfokus på kundtjänst. De samarbetade med OpenAI för att finjustera GPT‑4 till att förbättra dess prestanda för telekomrelaterade samtal på koreanska. Under flera veckor förbättrade SKT och OpenAI prestandan betydligt för telekomrelaterade kundtjänstuppgifter, en 35 % ökning av kvaliteten på konversationssammanfattning, en 33 % ökning av korrekt avsiktsigenkänning, samt en ökning av nöjdhetspoäng från 3,6 till 4,5 (av 5) när den finjusterade modellen jämfördes med GPT‑4.

I vissa fall behöver organisationer träna en specialskapad modell från grunden som förstår deras specifika verksamhet, bransch eller domän. Helt specialtränade modeller får nya kunskaper inom en specifik domän genom att huvudstegen i modellens träningsprocess modifieras med ny teknik mitt under och efter avslutad träning. Organisationer som är framgångsrika med en helt specialtränad modell har ofta stora proprietära datamängder, miljontals exempel eller miljarder token som de vill använda till att lära modellen nya kunskaper eller komplexa, unika beteenden för särskilt specifika användningsfall.

Till exempel samarbetade Harvey⁠(öppnas i ett nytt fönster), ett AI-drivet juridiskt verktyg för advokater, med OpenAI för att skapa en skräddarsydd stor språkmodell för rättspraxis⁠. Medan standardmodeller var bra på att resonera hade de bristfällig kunskap inom rättsfallspraxis och annan kunskap som krävs för juridiskt arbete. Efter att Harvey testat promptutformning, RAG och finjustering samarbetade de med vårt team för att fördjupa sammanhangen som modellen behövde, motsvarande 10 miljarder token med data. Vårt team modifierade varje steg i modellens träningsprocess, från domänspecifik träning mitt i processen till anpassad efterträning och införlivade expertfeedback från jurister. Den slutliga modellen uppnådde en 83 % ökning i faktamässigt korrekta svar och jurister föredrog den anpassade modellens utdata i 97 % av fallen jämfört med GPT‑4.

Vi tror att de flesta organisationer kommer att utveckla anpassade modeller i framtiden. Modeller som är anpassade till just deras branscher, verksamheter eller användningsfall. Med alla olika tekniker som finns tillgängliga för att skapa en anpassad modell kan organisationer i alla storlekar utveckla anpassade modeller för att uppnå en mer betydelsefull, specifik inverkan från deras AI-implementeringar. Lösningen är att tydligt avgränsa användningsfallet, designa och implementera utvärderingssystem, välja rätt tekniker och vara beredd på att upprepa mång gånger för att modellen ska uppnå optimal prestanda.

Med OpenAI kan de flesta organisationer snabbt se betydelsefulla resultat med det självbetjänande finjusterings-API:et. För alla organisationer som behöver en djupare finjustering av deras modeller eller ge modellen ny, domänspecifik kunskap kan våra anpassade modellprogram vara till hjälp.

Besök vår API-dokumentation för finjustering⁠(öppnas i ett nytt fönster) för att börja finjustera våra modeller.