Fine-tuning (messa a punto)

Pre-addestrare un grande modello linguistico richiede enormi quantità di dati e di calcolo. La messa a punto parte da quel risultato e impiega solo una piccola frazione dello sforzo. Al modello si forniscono esempi, come domande con risposte ideali, richieste di assistenza con le risposte giuste, oppure testi con una voce particolare, e i suoi pesi si spostano in modo che tali uscite diventino più probabili. La maggior parte degli assistenti nasce così: un modello di base viene rifinito su istruzioni, poi spesso ulteriormente regolato sulle preferenze con l’RLHF.

La messa a punto completa aggiorna ogni peso e richiede hardware serio. Approcci più economici aggiornano solo un piccolo componente aggiuntivo, come fa LoRA, oppure si allenano su una copia quantizzata del modello. Conta più la qualità dei dati che la quantità: poche migliaia di esempi puliti e coerenti battono spesso un milione disordinato. I rischi sono l’oblio, in cui il modello perde capacità generali, il sovradattamento, in cui memorizza i propri esempi, e i difetti ereditati, perché errori o pregiudizi nei dati diventano comportamento.

Vale la pena chiedersi se serva davvero. Un system prompt chiaro, qualche esempio messo nel prompt o il recupero di documenti (RAG) risolvono spesso il problema senza addestramento. Il fine-tuning ripaga quando serve un formato o un tono costante su larga scala, un prompt più corto per la velocità, o un comportamento che le sole parole non ottengono. I modelli a pesi aperti possono essere rifiniti da chiunque ne possieda i pesi; quelli chiusi solo tramite il servizio del creatore. Un’abitudine collegata è condividere le varianti: poiché le versioni rifinite di un modello di base ne conservano l’architettura, le comunità ne pubblicano molte per programmare, raccontare, tradurre o usare lessici specialistici, e le confrontano nelle classifiche pubbliche. Leggere la scheda del modello di base, i dati usati e la licenza dice cosa è cambiato e cosa puoi fare del risultato.

NeverNo non offre un modo per rifinire un modello, e il suo catalogo non indica come ciascun modello sia stato regolato. Quello che puoi fare è modificare il comportamento a livello di prompt, con le istruzioni che scrivi, che cambiano ciò che un modello legge e lasciano intatti i suoi pesi.

I modelli a pesi aperti sono quelli che altri rifiniscono e ripubblicano, e i modelli privati del catalogo sono di questo tipo. Qwen 3.5 35B, un modello privato gratuito di Alibaba che legge le immagini e ti lascia scegliere se ragionare, è uno di essi. Privato significa che è servito da fornitori scelti perché non conservano le richieste; la pagina di trasparenza dice chiaramente che NeverNo non può ispezionare i loro server.