---
title: "Apakah itu fine-tuning LLM? Bila melatih vs menulis prompt"
description: "Fine-tuning melatih LLM sedia ada dengan contoh anda sendiri supaya ia mempelajari tugas atau gaya. Cara ia berfungsi, data yang diperlukan, dan bila ia lebih baik."
url: https://broadrouter.com/ms/glossary/fine-tuning/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/fine-tuning/) (dikemas kini 2026-11-14).

# Fine-tuning (penalaan halus)

Dikemas kini 2026-11-14

Fine-tuning ialah proses meneruskan latihan model bahasa yang telah dilatih dengan set data yang lebih kecil dan khusus tugas, seperti contoh perbualan, supaya pemberatnya berubah dan ia melaksanakan tugas atau gaya itu dengan lebih konsisten tanpa memerlukan arahan atau contoh panjang dalam setiap prompt.

Juga dikenali sebagai: fine-tuning, penalaan halus, finetuning, supervised fine-tuning, SFT, model fine-tuning

Prompt memberitahu model apa yang perlu dilakukan setiap kali. Fine-tuning mengubah model supaya ia sudah tahu.

## Cara ia berfungsi

Anda bermula daripada model yang telah dilatih dan menjalankan latihan tambahan dengan contoh anda sendiri. Dalam supervised fine-tuning (SFT), setiap contoh ialah perbualan dengan jawapan yang anda mahukan. Panduan OpenAI menggunakan JSONL, “one complete JSON structure on every line” (satu struktur JSON lengkap pada setiap baris), dalam format chat:

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

Tugas latihan melaraskan pemberat supaya jawapan tersebut lebih berkemungkinan, dan memulangkan ID model baharu. OpenAI menetapkan minimum 10 contoh dan mengesyorkan bermula dengan 50 serta menilai sebelum menambah lagi.

Fine-tuning penuh mengemas kini setiap pemberat, yang mahal bagi model besar. Kertas kajian LoRA oleh Hu dan rakan-rakan menyifatkan penggunaan salinan GPT-3 yang diperhalusi secara berasingan, “each with 175B parameters” (setiap satu dengan 175B parameter), sebagai terlalu mahal. Kaedah cekap parameter seperti [LoRA](https://broadrouter.com/ms/glossary/lora/) sebaliknya melatih tambahan kecil. [Penyulingan](https://broadrouter.com/ms/glossary/distillation/) ialah idea yang berkaitan: fine-tune model kecil dengan output model yang lebih besar.

## Mengapa ia penting

-   **Prompt lebih pendek.** Tingkah laku yang dahulunya memerlukan [prompt few-shot](https://broadrouter.com/ms/glossary/few-shot-prompting/) yang panjang boleh dipindahkan ke dalam pemberat, mengurangkan token input bagi setiap panggilan.
-   **Konsistensi.** Kegunaan yang sesuai ialah pengelasan, gaya output tetap, terjemahan domain dan membetulkan kegagalan mematuhi arahan.
-   **Penyelenggaraan.** Model yang ditala terikat kepada satu model asas. Apabila model asas dihentikan, anda perlu melatih semula. Panduan OpenAI kini menyatakan ia sedang menamatkan platform fine-tuning secara berperingkat, ditutup kepada pengguna baharu, dengan model yang ditala terus disediakan sehingga model asasnya ditutup.
-   **Ukur dahulu.** Bina [eval](https://broadrouter.com/ms/glossary/eval/) sebelum melatih, atau anda tidak dapat tahu sama ada model yang ditala lebih baik.

Fine-tuning ialah cara yang lemah untuk menambah fakta yang berubah. Pengambilan semula memastikan fakta itu sentiasa terkini.

## Di BroadNet Inference

[Rujukan API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-fine-tuning&utm_content=body#models) BroadNet tidak mendokumenkan API fine-tuning, tugas latihan atau muat naik pemberat anda sendiri. Ia memang menyatakan bahawa “our Arabic fine-tunes and other models on request” (Terjemahan BroadRouter: “fine-tune bahasa Arab kami dan model lain atas permintaan”) dicapai dengan ID model persendirian yang dikeluarkan bersama endpoint. BroadNet menyenaraikan satu model sebegitu atas permintaan: fine-tune Cohere Transcribe Arabic untuk nombor, tarikh dan nama dalam audio yang bising. Untuk model transkripsi bahasa Arab awam, lihat [panduan speech-to-text bahasa Arab](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/). Jika anda perlu melatih model sendiri, [model open-weight](https://broadrouter.com/ms/glossary/open-weight-model/) ialah titik permulaan biasa; pertukarannya diterangkan dalam [model open-weight vs tertutup](https://broadrouter.com/ms/blog/open-weight-vs-closed-models/).

## Soalan lazim

### Berapa banyak contoh yang saya perlukan untuk fine-tuning LLM?

Panduan OpenAI menetapkan minimum 10 dan mencadangkan bermula dengan 50 contoh yang dibina dengan baik, kemudian mengukur. Jika 50 contoh yang baik tidak mengubah apa-apa, fikirkan semula tugas itu sebelum menambah lagi.

### Fine-tuning atau RAG untuk pengetahuan syarikat?

Biasanya pengambilan semula (retrieval). Fine-tuning bagus untuk mengajar tingkah laku dan format, tetapi fakta yang berubah lebih mudah dikemas kini dalam dokumen yang anda ambil semasa permintaan.

### Bolehkah saya membuat fine-tuning model di BroadNet Inference?

Dokumentasi BroadNet tidak menyenaraikan API fine-tuning. Ia menyebut fine-tune bahasa Arab milik BroadNet sendiri, yang dicapai sebagai endpoint persendirian atas permintaan.

## Lihat juga

-   [LoRA (low-rank adaptation)](https://broadrouter.com/ms/glossary/lora/) (istilah)
-   [Penyulingan model (knowledge distillation)](https://broadrouter.com/ms/glossary/distillation/) (istilah)
-   [Few-shot prompting (prompt dengan beberapa contoh)](https://broadrouter.com/ms/glossary/few-shot-prompting/) (istilah)
-   [Model open-weight (model pemberat terbuka)](https://broadrouter.com/ms/glossary/open-weight-model/) (istilah)
-   [Eval (penilaian LLM)](https://broadrouter.com/ms/glossary/eval/) (istilah)
-   [API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/ms/guides/arabic-speech-to-text-api/) (panduan)
-   [Model AI open-weight vs tertutup bagi perniagaan: kos, kawalan, risiko](https://broadrouter.com/ms/blog/open-weight-vs-closed-models/) (artikel)
-   [Cara menilai LLM sebelum bertukar penyedia](https://broadrouter.com/ms/blog/evaluate-llm-before-switching/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [OpenAI, panduan supervised fine-tuning](https://developers.openai.com/api/docs/guides/supervised-fine-tuning)
-   [Hu et al. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Rujukan API BroadNet Inference, ID model dan endpoint persendirian (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-fine-tuning&utm_content=sources#models)
