Fine-tuning — дообучение готовой модели на своих примерах: не обучение с нуля (миллионы долларов и годы), а корректировка поведения существующей модели под задачу. Классическая развилка внедрения звучит так: RAG или fine-tuning? Практичный ответ 2026 года — сначала RAG, а дообучение точечно, там, где действительно нужно поведение, а не знания.
Совмещение — норма: сначала RAG-контур закрывает факты, затем точечное дообучение закрепляет формат и тон, а знания продолжают обновляться без прикосновения к весам. Такой порядок экономит и бюджет, и время: дообучение поверх «фактового» поведения требует заметно меньше примеров.
Как проходит дообучение
Готовится датасет — обычно от нескольких сотен до нескольких тысяч пар «запрос — эталонный ответ». Модель прогоняется по ним с малой скоростью обучения: веса сдвигаются в сторону нужного стиля, терминологии и формата. Затем — обязательная валидация на отложенных примерах и проверка, что модель не «забыла» остальное. Главная болезнь процесса — переобучение: модель идеально повторяет обучающую выборку и деградирует на живых запросах.
Знания или поведение
Ключевое разделение: RAG кладёт в систему знания, fine-tuning меняет поведение. Факты, цены, регламенты, документы — это знания: они меняются часто и должны обновляться без переобучения, значит, RAG. Стиль ответов, устойчивый формат JSON, корпоративный тон, отраслевая терминология, специфические правила классификации — поведение: тут дообучение экономичнее вечных инструкций в промпте. Развилка разобрана в материале RAG или дообучение модели.
Как оценить результат
Критерии успеха фиксируются до старта: доля ответов в нужном формате, точность классификации на отложенной выборке, скорость деградации на новых темах. Хороший подрядчик показывает эти метрики в динамике, а не единственной демонстрацией «удачных» ответов. Плохой признак — обучение без контрольной выборки: переобучение в таком процессе обнаруживается уже пользователями.
Риски и закон
- Персональные данные в датасете. Обучение на ПДн без правового основания — прямое нарушение 152-ФЗ; почему это запрещено — почему нельзя обучать LLM на ПДн.
- Права на данные. Датасеты требуют юридической проверки источников — юридическая проверка датасетов.
- Наследование слабостей. Дообученная модель наследует и уязвимости базовой, включая чувствительность к инъекциям.
- Невоспроизводимость. Без фиксации версий модели и данных результат дообучения нельзя повторить — а регуляторы всё чаще спрашивают именно это.
Зачем бизнесу
- Формат под системы. Модель, всегда отвечающая строгим JSON, упрощает интеграции в разы.
- Тон и стиль. Клиентоориентированные тексты в фирменном стиле без простыни инструкций в каждом запросе.
- Узкие классификации. Отраслевая номенклатура, в которой путаются общие модели.
Как изменение модели фиксируется в документации и учёте ИИ-систем — в материалах обучение модели и его документирование; требования к персональным данным при обучении ИИ закреплены 152-ФЗ.
Цены «от» (сентябрь 2026)
Аудит процессов и данных — от 90 000 ₽; пилот с выбором пути RAG/дообучение — от 480 000 ₽ за 4–6 недель; полный контур — 0,9–1,2 млн ₽; ставки специалистов — 2 800–3 800 ₽/ч. Цены сентября 2026, без НДС (УСН).
С чего начать
Сформулируйте, что именно «не так» в ответах текущей модели: не знает фактов — нужен RAG; не тот стиль или формат — кандидат на дообучение; путается в терминах — сначала датасет из пары тысяч размеченных примеров. Точное обучение на документах компании описано в ответе как обучить LLM на документах компании. И зафиксируйте договором порядок владения датасетом и адаптерами: это актив, который должен остаться с вами при смене подрядчика. Прецеденты споров о датасетах уже есть, и договор — дешевле любого из них.