---
title: "O que é fine-tuning de LLM? Quando treinar ou usar prompt"
description: "Fine-tuning continua o treino de um LLM com os seus exemplos para ele aprender uma tarefa ou um estilo. Como funciona, quantos dados exige e quando supera o prompt."
url: https://broadrouter.com/pt/glossary/fine-tuning/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/fine-tuning/) (atualizado em 2026-11-14).

# Fine-tuning (ajuste fino de LLM)

Atualizado em 2026-11-14

Fine-tuning é o processo de continuar treinando um modelo de linguagem pré-treinado com um conjunto de dados menor e específico, como conversas de exemplo, para que seus pesos mudem e ele execute aquela tarefa ou estilo de forma mais confiável, sem instruções longas ou exemplos em todo prompt.

Também chamado de: ajuste fino, ajuste fino de modelos, fine tuning, fine-tuning supervisionado, finetuning, supervised fine-tuning, SFT, model fine-tuning

O prompt diz ao modelo o que fazer a cada vez. O fine-tuning muda o modelo para que ele já saiba.

## Como funciona

Você parte de um modelo treinado e continua o treino com os seus exemplos. No supervised fine-tuning (SFT), cada exemplo é uma conversa com a resposta que você quer. O guia da OpenAI usa JSONL, “one complete JSON structure on every line” (tradução: uma estrutura JSON completa em cada linha), no formato de chat:

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

O job de treinamento ajusta os pesos para que essas respostas fiquem mais prováveis e devolve um novo ID de modelo. A OpenAI define o mínimo em 10 exemplos e recomenda começar com 50 e avaliar antes de adicionar mais.

O fine-tuning completo atualiza todos os pesos, o que é caro para modelos grandes. O artigo do LoRA, de Hu e colegas, chama de proibitivamente caro implantar cópias separadas do GPT-3 após fine-tuning, “each with 175B parameters” (tradução: cada uma com 175B de parâmetros). Métodos eficientes em parâmetros, como o [LoRA](https://broadrouter.com/pt/glossary/lora/), treinam um pequeno complemento no lugar. A [destilação](https://broadrouter.com/pt/glossary/distillation/) é uma ideia próxima: fazer fine-tuning de um modelo pequeno com as saídas de um maior.

## Por que isso importa

-   **Prompts mais curtos.** Um comportamento que exigia um longo [prompt few-shot](https://broadrouter.com/pt/glossary/few-shot-prompting/) pode ir para os pesos, cortando tokens de entrada por chamada.
-   **Consistência.** Bons casos são classificação, um estilo de saída fixo, tradução de domínio e correção de falhas em seguir instruções.
-   **Manutenção.** Um modelo ajustado fica preso a um modelo base. Quando a base é aposentada, você treina de novo. O guia da OpenAI agora diz que está encerrando aos poucos a sua plataforma de fine-tuning, fechada para novos usuários, e que os modelos ajustados continuam no ar até os modelos base serem desligados.
-   **Medir primeiro.** Monte uma [eval](https://broadrouter.com/pt/glossary/eval/) antes de treinar, ou você não vai saber se o modelo ajustado ficou melhor.

O fine-tuning é um jeito ruim de adicionar fatos que mudam. A recuperação os mantém atualizados.

## Na BroadNet Inference

A [referência da API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-fine-tuning&utm_content=body#models) da BroadNet não documenta uma API de fine-tuning, jobs de treinamento ou upload dos seus próprios pesos. Ela diz, porém, que “our Arabic fine-tunes and other models on request” (tradução: nossos fine-tunes para árabe e outros modelos sob consulta) são acessados com um ID de modelo privado emitido junto com o endpoint. A BroadNet lista um desses modelos sob consulta: um fine-tune do Cohere Transcribe Arabic para números, datas e nomes em áudio com ruído. Para o modelo público de transcrição em árabe, veja o [guia de speech-to-text em árabe](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/). Se você precisa treinar o seu, o ponto de partida habitual é um [modelo open-weight](https://broadrouter.com/pt/glossary/open-weight-model/); os trade-offs estão em [modelos open-weight vs. fechados](https://broadrouter.com/pt/blog/open-weight-vs-closed-models/).

## Perguntas frequentes

### Quantos exemplos são necessários para fazer fine-tuning de um LLM?

O guia da OpenAI define um mínimo de 10 e sugere começar com 50 exemplos bem feitos e depois medir. Se 50 bons exemplos não mudam nada, repense a tarefa antes de adicionar mais.

### Fine-tuning ou RAG para o conhecimento da empresa?

Normalmente recuperação (RAG). O fine-tuning ensina bem comportamento e formato, mas fatos que mudam são mais fáceis de manter atualizados em documentos recuperados na hora da requisição.

### Posso fazer fine-tuning de um modelo na BroadNet Inference?

A documentação da BroadNet não lista uma API de fine-tuning. Ela menciona os fine-tunes próprios da BroadNet para árabe, acessados como endpoints privados sob consulta.

## Veja também

-   [LoRA (low-rank adaptation)](https://broadrouter.com/pt/glossary/lora/) (termo)
-   [Destilação (knowledge distillation)](https://broadrouter.com/pt/glossary/distillation/) (termo)
-   [Few-shot prompting (prompt com exemplos)](https://broadrouter.com/pt/glossary/few-shot-prompting/) (termo)
-   [Modelo de pesos abertos (open-weight)](https://broadrouter.com/pt/glossary/open-weight-model/) (termo)
-   [Eval (avaliação de LLM)](https://broadrouter.com/pt/glossary/eval/) (termo)
-   [API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/) (guia)
-   [IA open-weight vs fechada na empresa: custo, controle e risco](https://broadrouter.com/pt/blog/open-weight-vs-closed-models/) (artigo)
-   [Como avaliar um LLM antes de trocar de provedor](https://broadrouter.com/pt/blog/evaluate-llm-before-switching/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [OpenAI, guia de 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)
-   [Referência da API da BroadNet Inference, IDs de modelo e endpoints privados (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-fine-tuning&utm_content=sources#models)
