Fijn afstemmen in Microsoft Foundry

Met het aanpassen van een vooraf getraind model past u een vooraf getraind model aan uw taak aan via aanvullende training voor taakspecifieke gegevens. Het past de gewichten van het model aan in plaats van voorbeelden toe te voegen aan elke prompt. U bouwt voort op de bestaande mogelijkheden van het model zonder een volledig nieuw model te trainen.

Fijnafstemming kan helpen wanneer u hoogwaardige, taakspecifieke trainingsgegevens hebt en u het volgende wilt doen:

• Verbeter de nauwkeurigheid en relevantie. Training over meer voorbeelden dan in een prompt passen, kan taakspecifieke patronen leren.
• Verminder de prompt-overhead. Minder promptvoorbeelden kunnen de tokenkosten en latentie verlagen.
• Stijl en structuur uitlijnen. Antwoorden kunnen een consistente toon, indeling of schema volgen.
• Verbeter het gebruik van hulpprogramma's. Trainingsvoorbeelden kunnen de selectie van hulpprogramma's en de nauwkeurigheid van argumenten verbeteren.
• Gebruik effectief opgehaalde context. Modellen kunnen leren prioriteit te geven aan relevante context en irrelevante informatie te negeren.
• Specialiseer een kleiner model. Door docenten gegenereerde voorbeelden kunnen een kleiner model helpen voldoen aan taakvereisten tegen lagere kosten en latentie.

Voordelen zijn niet gegarandeerd; evaluatie met een afzonderlijke validatieset helpt u bij het vergelijken van het nauwkeurig afgestemde model met uw basislijn. Met fine-tuning worden training- en hostingkosten toegevoegd en worden retrieval van actuele informatie of veiligheidscontroles op toepassingsniveau niet vervangen.

Kies uw trainingsmethode

Microsoft Foundry biedt twee trainingsmethoden. Beheerde fine-tuning wordt een trainingstaak uitgevoerd op basis van uw gegevens en instellingen. Met interactieve training (preview) kunt u de trainingsstappen in Python beheren.

Beide maken gebruik van de door Foundry beheerde trainingsinfrastructuur; u richt geen trainings-GPU's in.

Modelvereisten kunnen deze keuze beperken. Een model dat wordt ondersteund voor één benadering, methode of modaliteit, wordt niet automatisch ondersteund voor een andere. Ondersteuning voor cookbookrecepten brengt ook de beschikbaarheid van de service niet tot stand. Controleer de onderstaande tabel met ondersteunde modellen voor beschikbare combinaties.

Aanpassingsmethoden

Aanpassingsmethoden bepalen hoe een model leert van trainingsgegevens of feedback, zoals gewenste antwoorden, voorkeuren of beloningen.

De vooraf gedefinieerde methoden in deze tabel zijn alleen van toepassing op beheerde fine-tuning. Interactieve training biedt trainingsprimitieven voor het bouwen van aangepaste trainingswerkstromen.

Trainingstypen

Trainingstypen definiëren waar training wordt uitgevoerd en hoe capaciteit, prijzen en servicegaranties van toepassing zijn. Ze staan los van implementatietypen, die bepalen hoe u een getraind model serveert.

Implementatieopties

Foundry biedt drie uitrolopties met verschillende serving-infrastructuur- en factureringsmodellen.

• Serverless: Foundry fungeert als host voor het nauwkeurig afgestemde model en beheert de inference-infrastructuur.
• Beheerde rekenkracht (preview): toegewezen GPU-capaciteit voert een overeenkomend basismodel uit met een of meer compatibele LoRA-adapters.
• Fireworks on Foundry (preview): De Fireworks-runtime biedt één adapter die is samengevoegd met een volledige kopie van het basismodel.

Serverless en Fireworks bieden verschillende deploymenttypen, die de verwerkingsgeografie, capaciteit en het factureringsmodel bepalen. Beschikbaarheid is afhankelijk van het model, de implementatieoptie en het artefact.

Ondersteunde modellen

Uw vereisten kunnen vragen om een specifiek model of een specifieke trainingsbenadering. Gebruik de tabel om te controleren welke combinaties geschikt zijn voor uw aanpassingsmethode, trainingstype en implementatieoptie.

Voor ondersteunde serverloze implementaties zijn Global Standard, Data Zone Standard en Developer beschikbaar, tenzij anders aangegeven. Controleer de standaardimplementatieregio’s en de implementatieregio’s voor Ingerichte doorvoer voor deze implementatietypen.

Legenda

• ¹ Alleen het implementatietype Provisioned Throughput wordt ondersteund.
• ² Alleen globaal standaardimplementatietype wordt ondersteund.
• ³ GPT-5 reinforcement fine-tuning vereist een uitnodiging. Neem contact op met uw Microsoft-account-team voor inschrijving.
• ⁴ Alleen het standaardimplementatietype wordt ondersteund. Zie Standaardimplementatieregio's.
• ⁵ Implementatietype voor ontwikkelaars wordt niet ondersteund.

Ondersteunde wereldwijde trainingsregio's

De tabel bevat de Foundry-projectregio's die vereist zijn voor het gebruik van globale beheerde fine-tuning en interactieve training (preview). Kies een regio die wordt ondersteund voor uw model- en trainingsbenadering, inclusief de onderstaande beperkingen. Standard- en Data Zone-training hebben afzonderlijke regionale ondersteuning.

• ¹ Beheerde afstemming voor Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B en gpt-oss-120b wordt niet ondersteund in deze regio.
• ² Vision-afstemming wordt niet ondersteund in Japan - oost.
• ³ Beheerde afstemming voor gpt-4.1-nano wordt niet ondersteund in Poland Central.
• ⁴ UAE North biedt alleen ondersteuning voor global managed fine-tuning voor Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30Ben gpt-oss-120b.

Ondersteunde standaardimplementatieregio's

Alleen de volgende modellen ondersteunen serverloze Standard-implementaties. Controleer de regionale beschikbaarheid in de tabel.

Ondersteunde implementatieregio's voor Provisioned Throughput

Alleen de volgende modellen ondersteunen serverloze Provisioned Throughput-implementaties in de vermelde regio's.

Uitdagingen en beperkingen

Fine-tuning is een iteratief engineeringsproces, geen gegarandeerde verbetering.

Volgende stappen 

Begin met de handleiding voor uw trainingsbenadering en implementeer en evalueer vervolgens uw fijnafgestelde model.

• Een model aanpassen met fine-tuning onder supervisie.
• Een model aanpassen met directe voorkeursoptimalisatie.
• Pas een model aan met fine-tuning met reinforcement learning.
• Aan de slag met interactieve training.
• Een premium AI-model voor gezondheidszorg aanpassen.
• Implementeer fijn afgestemde modellen.
• Voer evaluaties uit vanuit de Foundry-portal.
• Verken fine-tuningvoorbeelden op GitHub.