Aperfeiçoamento no Microsoft Foundry

O ajuste fino adapta um modelo pré-treinado à sua tarefa por meio de treinamento adicional em dados específicos da tarefa. Ele ajusta os pesos do modelo em vez de adicionar exemplos a cada prompt. Você baseia-se nas funcionalidades existentes do modelo sem treinar um modelo do zero.

O ajuste fino pode ajudar quando você tem dados de treinamento específicos de tarefas de alta qualidade e deseja:

• Aprimore a precisão e a relevância. O treinamento em mais exemplos do que cabem em um prompt pode ensinar padrões específicos à tarefa.
• Reduza a sobrecarga do prompt. Menos exemplos de prompt podem reduzir os custos de token e a latência.
• Alinhar estilo e estrutura. As respostas podem seguir um tom, um formato ou um esquema consistentes.
• Use melhor a ferramenta. Exemplos de treinamento podem melhorar a seleção de ferramentas e a precisão dos argumentos.
• Use o contexto recuperado com eficiência. Os modelos podem aprender a priorizar o contexto relevante e ignorar informações irrelevantes.
• Adapte um modelo menor. Exemplos gerados pelo modelo professor podem ajudar um modelo menor a atender aos requisitos da tarefa com menor custo e latência.

Os benefícios não são garantidos; a avaliação em conjunto de validação separado ajuda você a comparar o modelo ajustado com sua linha de base. O ajuste fino adiciona custos de treinamento e hospedagem e não substitui a recuperação de informações atuais ou controles de segurança no nível do aplicativo.

Escolha sua abordagem de treinamento

Microsoft Foundry fornece duas abordagens de treinamento. O ajuste fino gerenciado executa um trabalho de treinamento a partir dos seus dados e configurações. O treinamento interativo (versão prévia) permite controlar as etapas de treinamento em Python.

Ambos usam a infraestrutura de treinamento gerenciada pelo Foundry; você não provisiona GPUs de treinamento.

Os requisitos de modelo podem restringir essa escolha. Um modelo com suporte para uma abordagem, método ou modalidade não tem suporte automático para outra. O suporte a receitas do Cookbook também não estabelece a disponibilidade do serviço. Verifique a tabela de modelos com suporte abaixo para obter combinações disponíveis.

Métodos de personalização

Os métodos de personalização determinam como um modelo aprende com dados de treinamento ou comentários, como respostas desejadas, preferências ou recompensas.

Os métodos predefinidos nesta tabela se aplicam somente ao ajuste fino gerenciado. O treinamento interativo expõe primitivos de treinamento para a criação de fluxos de trabalho de treinamento personalizados.

Tipos de treinamento

Os tipos de treinamento definem onde o treinamento é executado e como as garantias de capacidade, preço e serviço se aplicam. Eles são separados dos tipos de implantação, que determinam como você disponibiliza um modelo treinado.

Opções de implantação

A Foundry oferece três opções de implantação com diferentes modelos de infraestrutura de serving e cobrança de serviço.

• Serverless: a Foundry hospeda o modelo ajustado e gerencia a infraestrutura de serviço.
• Computação gerenciada (versão prévia): a capacidade de GPU dedicada executa um modelo base correspondente com um ou mais adaptadores LoRA compatíveis.
• Fireworks on Foundry (versão prévia): o runtime do Fireworks serve um adaptador mesclado em uma cópia completa do modelo base.

O Fireworks e o Serverless oferecem diferentes tipos de implantação, que determinam a geografia de processamento, a capacidade e o modelo de cobrança. A disponibilidade depende do modelo, da opção de implantação e do artefato.

Modelos com suporte

Seus requisitos podem exigir um modelo específico ou uma abordagem de treinamento. Use a tabela para verificar quais combinações dão suporte ao seu método de personalização, tipo de treinamento e opção de implantação.

Para implantações sem servidor com suporte, Global Standard, Data Zone Standard e Developer estão disponíveis, a menos que uma legenda declare o contrário. Verifique as regiões de implantação padrão e as regiões de implantação de taxa de transferência provisionada para esses tipos de implantação.

Legenda

• ¹ Há suporte apenas para o tipo de implantação de taxa de transferência provisionada.
• ² Há suporte apenas para o tipo de implantação Global Standard.
• ³ GPT-5 ajuste fino por reforço requer um convite. Entre em contato com sua equipe da conta Microsoft para inscrição.
• ⁴ Há suporte apenas para o tipo de implantação Standard. Consulte as regiões de implantação Padrão.
• ⁵ tipo de implantação de desenvolvedor não é compatível.

Regiões de treinamento global com suporte

A tabela lista as regiões de projeto do Foundry necessárias para usar o ajuste fino gerenciado global e o treinamento interativo (versão prévia). Escolha uma região com suporte para seu modelo e abordagem de treinamento, incluindo as restrições abaixo. Os treinamentos Standard e Data zone têm suporte regional separado.

• ¹ Ajuste fino gerenciado para Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B e gpt-oss-120b não tem suporte nesta região.
• ² O ajuste fino de Visão não é suportado em Japan East.
• ³ Não há suporte para gpt-4.1-nano ajuste fino gerenciado na Polônia Central.
• ⁴ O Norte dos Emirados Árabes Unidos dá suporte apenas ao ajuste fino gerenciado globalmente para Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B e gpt-oss-120b.

Regiões de implantação Standard com suporte

Somente os modelos a seguir dão suporte a implantações Standard sem servidor. Verifique a disponibilidade regional na tabela.

Regiões de implantação de taxa de transferência provisionada com suporte

Somente os modelos a seguir dão suporte a implantações serverless de Provisioned Throughput nas regiões listadas.

Desafios e limitações

O ajuste fino é um processo de engenharia iterativa, não uma melhoria garantida.

Próximas Etapas 

Comece com o guia para sua abordagem de treinamento e, em seguida, implante e avalie seu modelo ajustado.

• Personalize um modelo com ajuste fino supervisionado.
• Personalize um modelo com otimização de preferência direta.
• Personalize um modelo com ajuste fino com aprendizado por reforço.
• Comece com o treinamento interativo.
• Personalize um modelo premium de IA para saúde.
• Implantar modelos refinados.
• Execute avaliações no portal do Foundry.
• Explore exemplos de ajuste fino no GitHub.