Fine-tuning (ajuste fino): o que é

Fine-tuning: o que é e de onde vem o termo?

Em uma frase: fine-tuning é pegar um modelo de linguagem que já foi treinado e ajustá-lo para uma tarefa específica.

O termo vem do inglês fine-tune, que quer dizer "ajustar com precisão". Em português, usa-se "ajuste fino".

Um modelo de linguagem passa por duas etapas:

• Pré-treinamento. O modelo aprende com uma quantidade enorme de dados sem rótulo e forma um conhecimento geral da língua.
• Ajuste fino. O modelo pré-treinado é adaptado a tarefas especializadas com conjuntos menores de exemplos rotulados. Rotulados quer dizer que cada exemplo já traz a resposta esperada.

Segundo uma revisão acadêmica publicada no arXiv, o ajuste fino aproveita o que o modelo aprendeu no pré-treinamento. Por isso ele exige menos dados rotulados e menos tempo de computação que treinar um modelo do zero. A revisão também diz que o ajuste fino permite ao modelo se adaptar ao vocabulário e às nuances de uma área específica.

🚀 Para quem quer mais: o que muda no fine-tuning são os pesos do modelo, isto é, os números internos que definem como ele gera texto. No prompt e no RAG, os pesos continuam iguais.

Quando o fine-tuning vale a pena?

Em uma frase: fine-tuning costuma valer quando você precisa que o modelo se comporte sempre do mesmo jeito e tem bons exemplos para ensinar isso.

A documentação da Microsoft sobre personalização de modelos, de 27 de fevereiro de 2026, diz que o fine-tuning pode melhorar o desempenho, ensinar novas habilidades e reduzir a latência, que é o tempo de resposta. O mesmo documento diz que um modelo menor, depois de ajustado, pode potencialmente alcançar a qualidade de um modelo maior em uma tarefa específica.

Casos em que o ajuste tende a compensar:

• o modelo precisa seguir um formato ou procedimento de forma muito consistente;
• existe um conjunto representativo de exemplos rotulados;
• o prompt ficou longo, caro ou difícil de manter;
• a tarefa é repetitiva e tem volume suficiente para pagar o treinamento.

O que custa. A Microsoft separa três custos: o treinamento inicial, a hospedagem do modelo personalizado e o uso do modelo (inferência). O ajuste pode baratear o uso, porque diminui os tokens enviados ou permite usar um modelo menor. Tokens são os pedaços de palavra que o modelo processa.

Nem todo fornecedor oferece o recurso. A página de preços da OpenAI informava que o fine-tuning estava fechado para novos usuários (verificado em nov/2026). Usuários existentes podiam continuar treinando nos meses seguintes, e os modelos já ajustados seguiam disponíveis até o modelo-base ser descontinuado. Já a documentação da Microsoft para o Azure descrevia o fine-tuning como opção de personalização (verificado em nov/2026). Antes de planejar um projeto que dependa de ajuste fino, confirme se o fornecedor ainda aceita novos treinamentos.

Qual a diferença entre fine-tuning, prompt e RAG?

Em uma frase: o prompt muda as instruções, o RAG muda a informação que o modelo recebe, e o fine-tuning muda o próprio modelo.

A confusão mais comum: usar fine-tuning para ensinar fatos novos. O ajuste fino não costuma ser a primeira escolha para isso. Informação nova, privada ou que muda com frequência é um problema de contexto. Com RAG, basta atualizar ou trocar os documentos, sem treinar o modelo de novo. Um estudo publicado em 17 de setembro de 2026 no JMIR descreve o RAG como forma de fundamentar respostas em diretrizes, literatura ou protocolos locais sem modificar o modelo. O manual de uso responsável de IA do TCM-SP define RAG como arquitetura em que documentos confiáveis são recuperados e inseridos no prompt.

Outra confusão: achar que é preciso começar pelo fine-tuning. A regra prática é começar pelo prompt, que é mais rápido de testar e mais barato no início. Use RAG quando o problema for conhecimento externo. Parta para o fine-tuning quando o prompt não der conta de manter o comportamento consistente.

🚀 Para quem quer mais: a revisão do arXiv diz que o RAG tende a se sair melhor para reduzir alucinações, que são respostas inventadas com confiança. Ele também é uma alternativa quando faltam dados rotulados. Já o fine-tuning dá um comportamento mais sob medida quando há muitos exemplos da área.