felügyelt finomhangolás (SFT)

angolul: supervised fine-tuning

haladóelterjedt

Egy már betanított nyelvi modell továbbtanítása kérdés–mintaválasz párokon, hogy egy adott feladatot vagy stílust megbízhatóbban tudjon.

Érthetően

Képzeld el, hogy egy frissen végzett, széles műveltségű kolléga érkezik a cégedhez. Sok mindent tud, de a ti házi szabályaitokat nem ismeri. Odaadsz neki pár száz korábbi ügyet a helyes megoldással együtt, és azt mondod: így csináljuk nálunk. A felügyelt finomhangolás ugyanez egy nyelvi modellel.

A „felügyelt” szó azt jelenti, hogy minden gyakorlófeladathoz tartozik egy előre megadott, jónak ítélt mintaválasz. Ezt ember írja, vagy egy másik modell készíti, és jó esetben ember ellenőrzi. A modell tehát nem magától találgat, hanem megmutatják neki, mi a helyes kimenet, és ahhoz igazodik.

Arra jó, hogy egy általános modellből szakosodott modell legyen: tartsa a cég hangnemét, mindig ugyanabban a formában válaszoljon, vagy jobban értsen egy szűk szakterülethez. Így lesz a nyers szövegfolytató modellből kérdésekre válaszoló asszisztens is.

Abban más, mint a jó utasítás (prompt), hogy itt maga a modell változik meg tartósan, nem csak az, amit éppen kérsz tőle. Ezért előkészíteni drágább és lassabb, viszont utána nem kell minden alkalommal hosszan elmagyaráznod, mit vársz.

Hogyan működik

Kiindulásként fogsz egy már előtanított modellt, amely hatalmas szövegmennyiségből megtanulta a nyelvet és sok általános tudást.
Összeállítasz egy példatárat: bemenetek (kérdés, utasítás, dokumentum) és a hozzájuk tartozó elvárt válaszok, jellemzően néhány száztól több tízezer párig.
A modell megkapja a bemenetet, és lépésről lépésre megpróbálja megjósolni a mintaválasz következő szövegdarabját. A rendszer megméri, mennyire tért el a jóslat a mintaválasztól.
Az eltérés alapján a modell belső beállításai (súlyai) kis lépésekben módosulnak, hogy legközelebb közelebb kerüljön a mintához. Ez sokszor megismétlődik a teljes példatáron.
A végén a modellt olyan példákon ellenőrzik, amelyeket tanulás közben nem látott, hogy kiderüljön: tényleg megtanulta-e a feladatot, vagy csak bemagolta a mintákat.

Példa a mindennapokból

Egy biztosító ügyfélszolgálati csevegője tegezve, röviden, a cég saját kifejezéseivel válaszol, és mindig ugyanabban a sorrendben kéri el az adataidat. Ezt gyakran úgy érik el, hogy egy általános modellt több ezer korábbi, jól sikerült ügyfélszolgálati beszélgetésen finomhangoltak.

Kit érint

fejlesztőNeki kell eldöntenie, hogy egy feladathoz elég-e a jó prompt és a keresés, vagy megéri a példagyűjtés és a tanítás költsége. → Kód

vállalkozó, vezetőA saját céges adatokon finomhangolt modell versenyelőny lehet, de pénzbe, adatmunkába és folyamatos karbantartásba kerül.

munkavállalóA mintaválaszokat gyakran a tapasztalt kollégák munkájából gyűjtik, így a te szaktudásod is bekerülhet a modellbe. → Munka és HR

jogász, állampolgárHa a tanítópéldákban személyes vagy szerzői joggal védett adatok vannak, azok a modellben nyomot hagyhatnak, ami adatvédelmi és jogi kérdés. → Jog

Gyakori félreértés

TévhitA finomhangolással friss tudást és tényeket lehet megbízhatóan beletölteni a modellbe, mint egy adatbázisba.

ValójábanAz SFT elsősorban viselkedést, stílust és feladatmegoldási mintát tanít. Pontos, gyakran változó tényekhez többnyire jobb, ha a modell a válasz előtt kikeresi az adatot egy külső forrásból.

Korlátok és kockázatok

A modell csak annyira lesz jó, amennyire a példák: a hibás, egyoldalú vagy elfogult mintaválaszokat ugyanúgy megtanulja.
Túl kevés vagy túl egyforma példán a modell bemagol, és az új helyzetekben rosszabbul teljesít. Közben korábbi általános képességeiből is veszíthet.
A finomhangolás a modell beépített biztonsági korlátait is gyengítheti, ezért utána újra ellenőrizni kell, hogyan viselkedik kényes kérésekre.
Ha megjelenik egy újabb alapmodell, a tanítást rendszerint újra el kell végezni rajta. A példatár viszont többnyire újra felhasználható.

Hasonló, de nem ugyanaz

előtanítás – Az előtanítás hatalmas, címkézetlen szövegtömegből tanítja meg a nyelvet, az SFT erre épülve kis, gondosan összeállított példatárral szakosítja a modellt.
megerősítéses tanulás – Ott a modell nem kész mintaválaszt kap, hanem próbálkozik, és jutalom vagy pontszám jelzi, mennyire volt jó az eredmény.
keresőalapú válaszgenerálás (RAG) – A RAG nem változtat a modellen, csak a kérdés mellé odateszi a kikeresett dokumentumokat, az SFT viszont magát a modellt írja át.

Kapcsolódó fogalmak

Tágabb

finomhangolás, felügyelt tanulás, gépi tanulás, transzfertanulás

Szűkebb

utasításalapú finomhangolás

Rokon

előtanítás, megerősítéses tanulás emberi visszajelzéssel (RLHF), paraméterhatékony finomhangolás, LoRA, tudásdesztilláció, tanítóadat, prompt

Röviden a története

A felügyelt tanulás a gépi tanulás régi alapmódszere. A nyelvi modelleknél az „előbb általános előtanítás, utána finomhangolás” recept 2018-ban terjedt el, az ULMFiT módszer, valamint az első GPT és a BERT modell nyomán.

Hol tart most

2026 végén az SFT a nyelvi modellek készítésének bevett lépése. Több nagy szolgáltató kész szolgáltatásként is kínálja a cégeknek, de nem minden modellhez. Sok feladatnál azonban a jó prompt és a keresés olcsóbb megoldás, ezért főleg ott használják, ahol a stílus, a formátum vagy a szűk szakterület számít.

Állapot: 2026. november

Más nevei

SFT · supervised fine-tuning · felügyelt finomhangolás · felügyelt finomhangolás (SFT) · supervised finetuning · felügyelt utótanítás

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.