Aperfeiçoamento no Microsoft Foundry

O ajuste fino adapta um modelo pré-treinado à sua tarefa através de treino adicional em dados específicos da tarefa. Ajusta os pesos do modelo em vez de adicionar exemplos a cada prompt. Baseia-se nas capacidades existentes do modelo sem treinar um modelo do zero.

O ajuste fino pode ajudar quando tem dados de treino de alta qualidade, específicos para a tarefa, e pretende:

• Melhorar a precisão e a relevância. Treinar com um número de exemplos superior ao que cabe num prompt pode ensinar padrões específicos para a tarefa.
• Reduz a sobrecarga do prompt. Menos exemplos de prompts podem reduzir os custos de tokens e a latência.
• Alinhe estilo e estrutura. As respostas podem seguir um tom, formato ou esquema consistente.
• Melhorar a utilização da ferramenta. Exemplos de treino podem melhorar a seleção de ferramentas e a precisão dos argumentos.
• Utilize o contexto recuperado de forma eficaz. Os modelos podem aprender a priorizar o contexto relevante e a ignorar informação irrelevante.
• Especialize um modelo mais pequeno. Exemplos gerados por um modelo professor podem ajudar um modelo mais pequeno a cumprir os requisitos da tarefa com menor custo e menor latência.

Os benefícios não são garantidos; a avaliação com conjunto de validação separado ajuda-te a comparar o modelo afinado com a tua linha de base. O aperfeiçoamento acrescenta custos de treino e alojamento e não substitui a recuperação de informação para obter informação atual nem os controlos de segurança ao nível da aplicação.

Escolha a sua abordagem de treino

A Microsoft Foundry oferece duas abordagens de formação. Afinação fina gerida executa um trabalho de treino a partir dos seus dados e definições. O treino interativo (pré-visualização) permite-lhe controlar os passos de treino em Python.

Ambos usam infraestrutura de treino gerida pela Foundry; não precisa de aprovisionar GPUs de treino.

Os requisitos do modelo podem limitar esta escolha. Um modelo suportado para uma abordagem, método ou modalidade não é automaticamente suportado para outra. O suporte a receitas Cookbook também não estabelece a disponibilidade do serviço. Consulte a tabela dos modelos suportados abaixo para as combinações disponíveis.

Métodos de personalização

Os métodos de personalização determinam como um modelo aprende a partir de dados de treino ou feedback, como respostas desejadas, preferências ou recompensas.

Os métodos predefinidos nesta tabela aplicam-se apenas ao ajuste fino gerido. O treino interativo expõe primitivas de treino para construir fluxos de trabalho personalizados.

Tipos de treino

Os tipos de formação definem onde esta decorre e a forma como se aplicam a capacidade, os preços e as garantias de serviço. São distintos dos tipos de implantação, que determinam como se disponibiliza um modelo treinado.

Opções de implantação

Foundry oferece três opções de implementação com diferentes infraestruturas de disponibilização e modelos de faturação.

• Serverless: A Foundry aloja o modelo afinado e gere a infraestrutura de inferência.
• Computação gerida (pré-visualização): A capacidade dedicada da GPU executa um modelo base correspondente com um ou mais adaptadores LoRA compatíveis.
• Fireworks on Foundry (pré-visualização): O tempo de execução do Fireworks serve um adaptador integrado numa cópia de peso total do modelo base.

Serverless e Fireworks oferecem diferentes tipos de implementação, que determinam a geografia de processamento, capacidade e modelo de faturação. A disponibilidade depende do modelo, da opção de implementação e do artefacto.

Modelos suportados

Os seus requisitos podem exigir um modelo ou abordagem de treino específica. Utilize a tabela para verificar que combinações são compatíveis com o seu método de personalização, tipo de treino e opção de implementação.

Para implementações serverless suportadas, estão disponíveis Global Standard, Data Zone Standard e Developer, a menos que uma legenda indique o contrário. Verifique as regiões de implementação padrão e as regiões de implementação de Débito Aprovisionado para esses tipos de implementação.

Legenda

• ¹ Apenas o tipo de implementação de Throughput Provisionado é suportado.
• ² Apenas o tipo de implementação Global Standard é suportado.
• ³ ajuste fino do reforço GPT-5 requer um convite. Contacte a sua equipa da conta Microsoft para a inscrição.
• ⁴ Apenas o tipo de implantação padrão é suportado. Ver regiões de implementação padrão.
• ⁵ O tipo de implementação por programador não é suportado.

Regiões globais de formação apoiadas

A tabela lista as regiões do projeto Foundry obrigadas a utilizar o Global Managed Fine-Tuning e o treino interativo (preview). Escolha uma região suportada para o seu modelo e abordagem de treino, incluindo as restrições abaixo. A formação padrão e a formação na zona de dados têm suporte regional separado.

• ¹ Ajuste fino gerido para Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B e gpt-oss-120b não é suportado nesta região.
• ² Vision fine-tuning não é suportado em Japan East.
• ³ A afinação otimizada gerida para gpt-4.1-nano não é suportada em Poland Central.
• ⁴ UAE North é compatível com fine-tuning gerido global apenas para Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B e gpt-oss-120b.

Regiões de implementação de Standard suportadas

Apenas os seguintes modelos suportam implementações padrão serverless. Verifique a disponibilidade regional na tabela.

Regiões de implementação com Débito de transferência Provisionado Suportado

Apenas os seguintes modelos suportam implantações serverless Provisioned Throughput, nas regiões listadas.

Desafios e limitações

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

Passos seguintes

Comece com o guia para a sua abordagem de treino, depois coloque em produção e avalie o seu modelo afinado.

• Personaliza um modelo com ajuste fino supervisionado.
• Personaliza um modelo com otimização direta de preferências.
• Personaliza um modelo com afinação fina com reforço.
• Comece com formação interativa.
• Personalize um modelo premium de IA para a saúde.
• Disponibilizar modelos ajustados.
• Executa avaliações a partir do portal Foundry.
• Explore exemplos de fine-tuning no GitHub.