---
title: "LLM 파인튜닝이란? 학습할까, 프롬프트로 할까 | BroadRouter"
description: "파인튜닝은 기존 LLM을 내 예시로 추가 학습시켜 작업이나 스타일을 익히게 합니다. 작동 방식, 필요한 데이터 양, 프롬프트보다 나은 경우를 정리했습니다."
url: https://broadrouter.com/ko/glossary/fine-tuning/
lang: ko
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/glossary/fine-tuning/) (2026-11-14 업데이트).

# 파인튜닝(fine-tuning)

업데이트 2026-11-14

파인튜닝(fine-tuning, 미세 조정)은 사전 학습된 언어 모델을 예시 대화 같은 작고 작업에 특화된 데이터셋으로 계속 학습시키는 과정입니다. 가중치가 바뀌므로, 모델은 프롬프트마다 긴 지시문이나 예시를 넣지 않아도 해당 작업이나 스타일을 더 안정적으로 수행합니다.

다른 이름: 파인튜닝, 파인 튜닝, 미세 조정, 미세조정, 지도 미세 조정, SFT, LLM 파인튜닝, finetuning, supervised fine-tuning, model fine-tuning

프롬프트는 모델에게 매번 무엇을 할지 알려 줍니다. 파인튜닝은 모델을 바꿔서 이미 알고 있게 만듭니다.

## 작동 방식

학습된 모델에서 출발해 내 예시로 추가 학습을 돌립니다. 지도 파인튜닝(SFT)에서 각 예시는 원하는 답이 담긴 대화입니다. OpenAI 가이드는 채팅 형식의 JSONL, 즉 “one complete JSON structure on every line”(번역: 줄마다 완결된 JSON 구조 하나)을 씁니다.

```json
{"messages": [{"role": "user", "content": "Classify: 'card charged twice'"}, {"role": "assistant", "content": "billing"}]}
```

학습 작업은 그런 답이 나올 확률이 높아지도록 가중치를 조정하고, 새 모델 ID를 돌려줍니다. OpenAI는 최소 10개의 예시를 요구하며, 50개로 시작해 평가한 뒤 더 추가하라고 권합니다.

전체 파인튜닝은 모든 가중치를 업데이트하므로 큰 모델에서는 비용이 큽니다. Hu 등의 LoRA 논문은 “each with 175B parameters”(번역: 각각 175B 파라미터인) GPT-3의 파인튜닝 사본을 따로따로 배포하는 것은 감당하기 어려울 만큼 비싸다고 말합니다. [LoRA](https://broadrouter.com/ko/glossary/lora/) 같은 파라미터 효율적 방법은 대신 작은 추가 모듈을 학습시킵니다. [증류](https://broadrouter.com/ko/glossary/distillation/)도 관련된 개념으로, 큰 모델의 출력으로 작은 모델을 파인튜닝합니다.

## 왜 중요한가

-   **짧은 프롬프트.** 긴 [퓨샷 프롬프트](https://broadrouter.com/ko/glossary/few-shot-prompting/)가 필요했던 행동을 가중치로 옮겨 호출당 입력 토큰을 줄일 수 있습니다.
-   **일관성.** 분류, 고정된 출력 스타일, 도메인 번역, 지시 따르기 실패 교정에 잘 맞습니다.
-   **유지 관리.** 튜닝한 모델은 하나의 베이스 모델에 묶입니다. 베이스 모델이 종료되면 다시 학습해야 합니다. OpenAI 가이드는 이제 파인튜닝 플랫폼을 단계적으로 종료하고 있으며 신규 사용자는 받지 않고, 튜닝한 모델은 베이스 모델이 종료될 때까지 제공한다고 밝힙니다.
-   **측정이 먼저.** 학습 전에 [eval](https://broadrouter.com/ko/glossary/eval/)을 만드세요. 그렇지 않으면 튜닝한 모델이 더 나은지 알 수 없습니다.

파인튜닝은 바뀌는 사실을 넣기에는 좋지 않은 방법입니다. 검색을 쓰면 사실을 최신 상태로 유지할 수 있습니다.

## BroadNet Inference에서는

BroadNet의 [API 레퍼런스](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-fine-tuning&utm_content=body#models)에는 파인튜닝 API, 학습 작업, 자체 가중치 업로드가 문서화되어 있지 않습니다. 다만 “our Arabic fine-tunes and other models on request”(번역: 자사 아랍어 파인튜닝 모델과 요청 시 제공하는 기타 모델)는 엔드포인트와 함께 발급되는 전용 모델 ID로 접근한다고 밝힙니다. BroadNet은 문의 시 제공되는 모델 하나를 소개하는데, 잡음이 많은 오디오에서 숫자, 날짜, 이름을 잘 받아 적도록 Cohere Transcribe Arabic을 파인튜닝한 모델입니다. 공개된 아랍어 전사 모델은 [아랍어 음성 인식 가이드](https://broadrouter.com/ko/guides/arabic-speech-to-text-api/)를 참고하세요. 직접 학습해야 한다면 보통 [오픈 웨이트 모델](https://broadrouter.com/ko/glossary/open-weight-model/)에서 시작합니다. 장단점은 [오픈 웨이트 vs 클로즈드 모델](https://broadrouter.com/ko/blog/open-weight-vs-closed-models/)에 정리되어 있습니다.

## 자주 묻는 질문

### LLM을 파인튜닝하려면 예시가 몇 개 필요한가요?

OpenAI 가이드는 최소 10개로 정하고, 잘 만든 예시 50개로 시작해 측정해 보라고 권합니다. 좋은 예시 50개로 아무것도 달라지지 않는다면, 예시를 더 넣기 전에 작업 자체를 다시 생각하세요.

### 회사 지식에는 파인튜닝과 RAG 중 무엇이 맞나요?

보통은 검색(RAG)입니다. 파인튜닝은 행동과 형식을 잘 가르치지만, 바뀌는 사실은 요청 시점에 검색하는 문서로 관리하는 편이 최신 상태를 유지하기 쉽습니다.

### BroadNet Inference에서 모델을 파인튜닝할 수 있나요?

BroadNet 문서에는 파인튜닝 API가 없습니다. 문서에는 BroadNet 자체 아랍어 파인튜닝 모델이 언급되어 있으며, 문의 시 전용 엔드포인트로 제공됩니다.

## 함께 보기

-   [LoRA(저랭크 적응, low-rank adaptation)](https://broadrouter.com/ko/glossary/lora/) (용어)
-   [지식 증류(knowledge distillation)](https://broadrouter.com/ko/glossary/distillation/) (용어)
-   [퓨샷 프롬프팅(few-shot prompting)](https://broadrouter.com/ko/glossary/few-shot-prompting/) (용어)
-   [오픈 웨이트 모델(open-weight model)](https://broadrouter.com/ko/glossary/open-weight-model/) (용어)
-   [LLM 평가(eval)](https://broadrouter.com/ko/glossary/eval/) (용어)
-   [아랍어 음성 인식(STT) API 사용법: 단계별 가이드](https://broadrouter.com/ko/guides/arabic-speech-to-text-api/) (가이드)
-   [기업용 오픈 웨이트 vs 비공개 AI 모델: 비용, 통제, 위험](https://broadrouter.com/ko/blog/open-weight-vs-closed-models/) (글)
-   [제공업체를 바꾸기 전에 LLM을 평가하는 방법](https://broadrouter.com/ko/blog/evaluate-llm-before-switching/) (글)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-fine-tuning&utm_content=page-cta) ·

**출처**

-   [OpenAI, 지도 파인튜닝 가이드](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu 외(2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [BroadNet Inference API 레퍼런스, 모델 ID와 전용 엔드포인트 (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-glossary-fine-tuning&utm_content=sources#models)
