# Fine-Tuning

> Ein vorhandenes Modell mit eigenen Beispielen weitertrainieren, damit es ein Verhalten oder einen Stil annimmt, den es vorher nicht hatte.

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

- https://dfieldsolutions.com/de/glossar/lora.md
- https://dfieldsolutions.com/de/glossar/llm.md
- https://dfieldsolutions.com/de/glossar/rag.md

---

Source: https://dfieldsolutions.com/de/glossar/fine-tuning
DField Solutions — Dunakeszi, Hungary — dezso@dfieldsolutions.com
Booking: see https://dfieldsolutions.com/en/contact