Важно понять, для чего fine-tuning силён, а для чего нет — это убережёт от частой ошибки. ХОРОШО дообучение подходит для настройки ПОВЕДЕНИЯ: 1) Стиль и тон: чтобы модель отвечала в вашем фирменном стиле, определённым голосом, формой. 2) Формат: если нужен стабильно специфический формат вывода, сложный для описания промптом. 3) Специфическая задача/паттерн: научить модель конкретному типу задач на многих примерах (например, особый вид классификации, преобразования). 4) Краткость промпта: то, что пришлось бы каждый раз объяснять длинной инструкцией, можно «вшить» в модель дообучением. ПЛОХО fine-tuning подходит для добавления ЗНАНИЙ/ФАКТОВ: 1) «Запомнить наши документы» — распространённое заблуждение. Дообучение плохо запоминает факты, модель всё равно может выдумывать, а обновлять знания дорого (переобучать при каждом изменении). Для фактов по вашим данным нужен RAG, а не fine-tuning (мы разбирали это в курсе про RAG). 2) Свежие/меняющиеся данные — дообучение статично, переобучать под изменения дорого. Ключевое различие: fine-tuning меняет КАК модель отвечает (поведение, стиль, формат), а не ЧТО она знает (факты). Для знаний — RAG или контекст; для поведения — fine-tuning. Частая дорогая ошибка новичков: пытаться дообучить модель, чтобы она «знала наши данные». Обычно это неверный инструмент — дорого, сложно, и всё равно выдумывает. Правильно: RAG для знаний, fine-tuning для стиля/поведения/формата, и то — когда промптинг не справляется. Об этом весь следующий модуль.