Ajuste fino (fine-tuning)
O ajuste fino (fine-tuning) é continuar treinando um modelo já pré-treinado com um conjunto de dados menor e específico, para adaptá-lo a uma tarefa, um estilo ou uma área. Ele altera os pesos do modelo, ao contrário de um prompt, que só muda as instruções que o modelo lê.
Atualizado em 8 de novembro de 2026
Um assistente comum
Não posso dar orientação médica. Converse com um médico ou farmacêutico.
NeverNo
1.200 mg por dia é o máximo sem receita, e a bula limita o uso a poucos dias para dor (de 5 a 10, conforme o país). Três semanas é de duas a quatro vezes mais. O principal risco é o estômago (queimação, úlceras), depois os rins e a pressão arterial. Tome no meio de uma refeição, nunca com álcool nem com outro anti-inflamatório. Fezes pretas, vômito com sangue ou dor forte no estômago: vá ao pronto-socorro na hora. E procure um médico esta semana: dor nas costas que dura três semanas merece uma investigação da causa.
Como funciona
Pré-treinar um grande modelo de linguagem exige quantidades enormes de dados e de computação. O ajuste fino parte desse resultado e gasta só uma pequena fração do esforço. Você dá ao modelo exemplos, como perguntas com a resposta ideal, tickets de suporte com a resposta certa ou textos em uma voz específica, e os pesos se deslocam para que essas saídas fiquem mais prováveis. A maioria dos assistentes é feita assim: um modelo base recebe ajuste com instruções e, muitas vezes, é refinado com preferências por meio do RLHF.
O ajuste fino completo atualiza todos os pesos e precisa de hardware sério. Abordagens mais baratas atualizam só um pequeno complemento, como faz o LoRA, ou treinam sobre uma cópia quantizada do modelo. A qualidade dos dados pesa mais que a quantidade: alguns milhares de exemplos limpos e coerentes costumam superar um milhão bagunçado. Os riscos são o esquecimento, quando o modelo perde habilidades gerais, o sobreajuste, quando ele decora os exemplos, e os defeitos herdados, já que erros e vieses dos dados viram comportamento.
Vale perguntar se você precisa mesmo disso. Um prompt de sistema claro, alguns exemplos dentro do prompt ou a recuperação de documentos (RAG) muitas vezes resolvem sem treinar nada. O ajuste fino compensa quando você precisa de um formato ou tom constante em grande escala, de um prompt mais curto para ganhar velocidade ou de um comportamento que só a redação não alcança. Modelos de pesos abertos podem ser ajustados por qualquer pessoa que tenha os pesos; os fechados, apenas pelo serviço do próprio criador. Um hábito relacionado é compartilhar variantes: como as versões ajustadas de um modelo base mantêm a arquitetura dele, as comunidades publicam muitas para programação, narrativa, tradução ou vocabulário especializado e as comparam em classificações públicas. Ler a ficha do modelo (modelo base, dados usados, licença) mostra o que mudou e o que você pode fazer com o resultado.
No NeverNo
O NeverNo não permite ajustar um modelo, e o catálogo não indica como cada um foi ajustado. O que você pode fazer é mudar o comportamento no prompt, com as instruções que escreve: elas alteram o que o modelo lê e deixam os pesos intactos.
Modelos de pesos abertos são os que outras pessoas ajustam e republicam, e os modelos privados do catálogo são desse tipo. O Qwen 3.5 35B, um modelo privado e gratuito da Alibaba que lê imagens e deixa você escolher se ele raciocina, é um deles. Privado significa servido por provedores escolhidos porque não guardam os pedidos; a página de transparência diz claramente que o NeverNo não consegue inspecionar os servidores deles.
O que vale lembrar
O ajuste fino muda os pesos do modelo; um prompt só muda o que o modelo lê.
Ele pede um conjunto de dados pequeno, limpo e coerente, não um enorme.
Os riscos são o esquecimento, o sobreajuste e os defeitos herdados dos dados.
Tente antes um prompt, exemplos ou recuperação de documentos, e ajuste se isso não bastar.
A ficha de uma variante ajustada deveria nomear o modelo base, os dados de treinamento e a licença.
Perguntas frequentes
Devo usar ajuste fino ou RAG?
O RAG entrega ao modelo documentos atuais na hora da pergunta, enquanto o ajuste fino muda o comportamento dele. Para fatos que mudam, a recuperação costuma servir melhor; para tom, formato ou uma habilidade especializada, o ajuste fino pode servir. As equipes costumam combinar os dois: ajustam para o tom e recuperam documentos para os fatos, o que mantém pequeno o conjunto de treinamento e atuais as respostas.
Posso ajustar um modelo no meu próprio computador?
Com um modelo de pesos abertos e um método eficiente como o LoRA, modelos pequenos muitas vezes são ajustados em uma única boa placa de vídeo, e os grandes pedem mais. Um modelo fechado não pode ser mexido, a menos que o criador ofereça um serviço. Em uma máquina doméstica o limite é a memória: o tamanho do modelo base, o do lote e a precisão escolhida decidem se uma execução cabe antes mesmo de começar.
O ajuste fino ensina fatos novos ao modelo?
Mal. Ele serve mais para estilo, formato e comportamento do que para guardar conhecimento novo de forma confiável, e o modelo ainda pode alucinar. Para fatos, entregue os documentos a ele. Seja qual for o caminho, reserve um pequeno conjunto de perguntas que o modelo nunca viu, para distinguir a melhora real da memorização. Versione os dados e anote as configurações usadas, para que um bom resultado possa ser reconstruído depois.
Faça a sua primeira pergunta
Sem conta e sem cartão. Escreva em qualquer um dos 10 idiomas que o NeverNo fala.
Abrir o chat