# Fine-Tuning कब सही औज़ार है — Fine-tuning बनाम Prompting

Source: https://www.skillbyai.com/hi/fine-tuning/d-good

> वे स्थितियाँ पहचानें जहाँ प्रशिक्षण लाभ देता है।

## शैली, format, संकरे कौशल, लागत और latency

Fine-tuning इनमें लाभ देती है: **एकसमान शैली या format** जिसे prompt सिर्फ़ अधिकांश बार मानता है, **संकरे दोहराए कार्य** (वर्गीकरण, निष्कर्षण, routing) जहाँ छोटा मॉडल बड़े prompted मॉडल की बराबरी कर सकता है, **छोटे prompts** (प्रशिक्षण से सीखे व्यवहार को लंबे निर्देश नहीं चाहिए), छोटे मॉडल से **कम latency**, और बड़े मॉडल को छोटे में **distill** करना। यह **नए तथ्य** भरोसे से सीखने, **तेज़ी से बदलती जानकारी**, **कम या असंगत उदाहरणों** वाले कार्यों और उस सबमें ख़राब है जिसे आप आँक नहीं सकते।

## अच्छे और कमज़ोर उम्मीदवार

निवेश से पहले तेज़ छँटनी।

```text
GOOD candidates                                          POOR candidates
classify tickets into 12 categories (5k labelled)         answer questions about last week's policy change
extract invoice fields into a strict JSON schema          "be smarter" in general
write replies in our brand voice (1k approved replies)    tasks with 20 inconsistent examples
cut a 3,500-token few-shot prompt to 400 tokens           anything with no evaluation set
distill an expensive model for one task                   a knowledge base that changes daily (use RAG)
```

## अपने उदाहरण ईमानदारी से गिनें

सैकड़ों एकसमान, समीक्षित उदाहरण हज़ारों गंदे उदाहरणों से बेहतर हैं; न जुटा पाएँ तो सीढ़ी पर रुकें।

**Quiz:** कौन-सा कार्य fine-tuning के लिए उपयुक्त है?

- [ ] ऐसा कार्य जिसकी सफलता मापी नहीं जा सकती
- [ ] आज सुबह की ख़बरों पर सवालों के उत्तर
- [ ] रोज़ बदलते तथ्य सीखना
- [x] हज़ारों labelled उदाहरणों के साथ invoice fields को कड़े schema में निकालना

*Answer:* हज़ारों labelled उदाहरणों के साथ invoice fields को कड़े schema में निकालना. संकरे, दोहराए, मापने योग्य कार्य जिनके पास भरपूर उदाहरण हों, प्रशिक्षण के लिए उपयुक्त हैं।