Nesta página
O que é fine-tuning? Fine-tuning, ou ajuste fino, é treinar de novo um modelo de linguagem já pronto com um conjunto menor de exemplos rotulados. Isso altera os pesos do modelo e o deixa mais consistente em uma tarefa, formato ou estilo. É diferente do prompt, que muda só as instruções, e do RAG, que acrescenta documentos à consulta.
- Vale quando você precisa de formato ou comportamento consistente e tem bons exemplos. Para informação nova, o RAG costuma servir melhor.
- Nem todo fornecedor oferece: a OpenAI informava fine-tuning fechado para novos usuários (verificado em nov/2026).
Fine-tuning: o que é e de onde vem o termo?
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?
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?
| Abordagem | O que muda | Bom para | Limitação |
|---|---|---|---|
| Prompt (o pedido que você escreve) | As instruções e os exemplos enviados a cada pedido | Testar ideias, tarefas simples, mudanças rápidas | Gasta tokens e pode dar resultados inconsistentes |
| RAG (geração aumentada por recuperação) | Os documentos buscados e colocados no pedido na hora da consulta | Informação privada, atualizada ou que precisa de fonte | Depende da qualidade da busca |
| Fine-tuning | Os pesos do modelo, treinado com exemplos | Formato fixo, estilo, classificação, comportamento especializado | Custo inicial, exige dados e pode piorar capacidades gerais |
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.
Perguntas frequentes
Fine-tuning serve para o modelo aprender informações novas?
Em geral, não é a melhor escolha. Para informação nova, privada ou que muda com frequência, o RAG costuma ser mais adequado, porque basta atualizar os documentos. O fine-tuning serve mais para mudar comportamento, formato e estilo.
Preciso de muitos dados para fazer fine-tuning?
Você precisa de um conjunto representativo de exemplos rotulados, ou seja, exemplos com a resposta esperada. É bem menos do que o necessário para treinar um modelo do zero, porque o ajuste aproveita o pré-treinamento.
Fine-tuning deixa a IA mais barata?
Pode deixar o uso mais barato, porque reduz os tokens por pedido ou permite usar um modelo menor. Mas há custo de treinamento, de hospedagem do modelo ajustado e de manutenção. Compare tudo antes de decidir.
Qualquer empresa de IA oferece fine-tuning?
Não necessariamente. A página de preços da OpenAI informava que o fine-tuning estava fechado para novos usuários, enquanto a documentação da Microsoft para o Azure descrevia o recurso (verificado em nov/2026). Confira no site oficial de cada fornecedor.
Fontes
- Microsoft Learn: personalização de modelos de linguagem (fine-tuning, RAG e prompt) · oficial
- OpenAI: página de preços da API · oficial
- JMIR: estudo sobre RAG para fundamentar respostas (2026) · academica
- The Ultimate Guide to Fine-Tuning LLMs from Basics to Breakthroughs (preprint, arXiv) · academica
- TCM-SP: manual de uso responsável de ferramentas de inteligência artificial generativa · organizacion
