Fine-Tuning verändert, wie sich ein Modell verhält. Wissen fügt es nicht zuverlässig hinzu — das ist das Missverständnis, das hier das meiste Geld kostet. Ist das Problem, dass das Modell deinen Produktkatalog nicht kennt, löst Retrieval es, bleibt aktuell und kostet einen Bruchteil. Ist das Problem, dass das Modell keinen Hausstil hält, ein ungewöhnliches Ausgabeformat nicht einhält oder eine Optik nicht trifft, ist Fine-Tuning das richtige Werkzeug.
Am sichtbarsten zahlt es sich bei Bildmodellen aus: Ein LoRA, trainiert auf ein paar Dutzend konsistenten Bildern, hält eine Optik über eine ganze Serie, wie es kein Prompt zuverlässig schafft. Auf der Textseite ist die ehrliche Reihenfolge, zuerst Prompting und Retrieval auszureizen, denn ein Fine-Tune ist ein Anlagegut: es muss gepflegt, beim Wechsel des Basismodells neu gefahren und gegen das gemessen werden, was es ersetzt hat.
Verwandte Begriffe
LoRA (Low-Rank Adaptation)
Eine Art des Fine-Tunings, die statt des ganzen Modells eine kleine Zusatzschicht trainiert — ein Ergebnis von wenigen Megabyte statt Gigabyte.
Großes Sprachmodell (LLM)
Ein auf riesigen Textmengen trainiertes Modell, das vorhersagt, was als Nächstes kommt — was genügt, um zu schreiben, zusammenzufassen, zu übersetzen und viele Aufgaben durchzudenken.
RAG (Retrieval-Augmented Generation)
Erst die passenden Dokumente heraussuchen und in den Prompt legen, damit das Modell aus deinem Material antwortet statt aus dem Gedächtnis.
Die zugehörige Werkbank
Generative KIStable Diffusion und ComfyUI eingebunden dort, wo deine Inhalte tatsächlich entstehen, mit einem feinabgestimmten Modell, damit alles nach dir aussieht.
