使用 Gemini API 進行微調

提示設計策略 (例如幾個提示) 不一定能產生您需要的結果。微調是一種可改善模型在特定任務上的效能，或在操作說明不足時，協助模型遵循特定的輸出要求的程序，前提是您必須擁有一組可展示所需輸出的範例。

本頁面提供 Gemini API 文字服務背後文字模型的微調概念總覽。當您準備好調整模型時， 微調教學課程。如果您想 舉例來說，如要針對特定用途自訂 LLM，請參閱 出局 大型語言模型：微調、精煉和提示工程 的 機器學習密集課程。

微調功能的運作方式

微調的目標是進一步改善模型在特定任務上的效能。微調的運作方式是為模型提供訓練資料集，資料集內有許多任務範例。對於特定任務，只要少量的樣本就能調整模型，大幅提升模型成效。這類模型調整作業有時會稱為監督式微調，以便與其他類型的微調作業有所區別。

您的訓練資料架構應是含有提示輸入範例的範例， 預期的回應輸出內容您也可以直接在 Google AI Studio 中使用示例資料調整模型。目標是透過提供許多範例來說明該行為或任務，教導模型模仿所需行為或任務。

執行調整工作時，模型會學習額外參數，協助編碼必要資訊，以便執行所需任務或學習所需行為。系統會在推論期間使用這些參數。模型的輸出內容 調整工作是新的模型，有效結合了 學習的參數和原始模型

準備資料集

您需要有用來調整模型的資料集，才能開始微調。適用對象 資料集中的範例必須為高品質、 來代表真實的輸入和輸出內容。

格式

資料集中的範例應與預期的實際工作環境流量相符。如果資料集含有特定格式、關鍵字、操作說明或資訊，則實際工作環境資料的格式應相同，並包含相同的操作說明。

舉例來說，如果資料集中的範例包含 "question:" 和 "context:"，正式環境流量也應格式化為 "question:" 和 "context:" 的順序與出現在資料集的順序相同 範例。如果排除內容，即便資料集中的範例出現一個確切的問題，模型也會無法辨識模式。

以下是另一個範例，這是應用程式產生序列中下一個數字的 Python 訓練資料：

training_data = [
  {"text_input": "1", "output": "2"},
  {"text_input": "3", "output": "4"},
  {"text_input": "-3", "output": "-2"},
  {"text_input": "twenty two", "output": "twenty three"},
  {"text_input": "two hundred", "output": "two hundred one"},
  {"text_input": "ninety nine", "output": "one hundred"},
  {"text_input": "8", "output": "9"},
  {"text_input": "-98", "output": "-97"},
  {"text_input": "1,000", "output": "1,001"},
  {"text_input": "10,100,000", "output": "10,100,001"},
  {"text_input": "thirteen", "output": "fourteen"},
  {"text_input": "eighty", "output": "eighty one"},
  {"text_input": "one", "output": "two"},
  {"text_input": "three", "output": "four"},
  {"text_input": "seven", "output": "eight"},
]

在資料集中為每個範例新增提示或前置詞，也有助於改善經過微調的模型效能。請注意，如果提示或前置碼 也應該包含在調整後的提示中 推論模型

限制

注意：Gemini 1.5 Flash 的精細調整資料集有以下限制：

• 每個範例的輸入內容大小上限為 40,000 個字元。
• 每個範例的輸出大小上限為 5,000 個字元。

訓練資料大小

您只需使用 20 個範例，即可微調模型。額外資料 通常也會改善回應的品質。請根據應用程式，設定 100 到 500 個範例的目標。下表顯示 建議資料集大小，以便針對各種常見工作微調文字模型：

上傳調整資料集

資料會透過 API 或在 Google AI 工作室中上傳的檔案，以內嵌方式傳遞。

如要使用用戶端程式庫，請在 createTunedModel 呼叫中提供資料檔案。檔案大小上限為 4 MB。詳情請參閱 使用 Python 進行微調快速入門導覽課程 即可開始使用

如要使用 cURL 呼叫 REST API，請將 JSON 格式的訓練範例提供給 training_data 引數。請參閱使用 cURL 進行調整的快速入門指南，瞭解如何開始使用。

進階調整設定

建立調整工作時，您可以指定下列進階設定：

• 訓練週期：對整個訓練集進行完整訓練，以便處理每個範例一次。
• 批次大小：在單一訓練疊代中使用的範例組合。批次大小會決定批次中的示例數量。
• 學習率：是一個浮點數，能告知演算法如何 強力調整每次疊代的模型參數舉例來說 學習率為 0.3 後，權重和偏誤會再調整三倍 遠遠超過學習率 0.1高學習率和低學習率各有優缺，應根據用途進行調整。
• 學習率調節係數：調節係數會修改模型的原始學習率。值為 1 時，系統會使用模型的原始學習率。如果值大於 1，學習率和值會介於 1 之間 並將學習率降低 0

建議設定

下表列出微調 基礎模型：

損失曲線會顯示模型在每個訓練週期後，預測結果與訓練範例中理想預測結果的差異程度。理想情況下，您應在曲線趨於平穩之前，在曲線最低點停止訓練。例如： 下圖顯示了大約 4-6 號的損失曲線，這代表 就算將 Epoch 參數設為 4，您還是可以享有相同效能。

查看調整工作狀態

您可以在 Google AI Studio 的「我的程式庫」分頁中，或使用 Gemini API 中經過調校模型的 metadata 屬性，查看調校工作的狀態。

排解錯誤

本節提供提示，說明如何解決在建立經過調整的模型時可能遇到的錯誤。

驗證

使用 API 和用戶端程式庫進行調整時，需要進行驗證。你可以 使用 API 金鑰 (建議做法) 或 OAuth 設定驗證 憑證如需設定 API 金鑰的說明文件，請參閱 設定 API 金鑰。

如果看到 'PermissionDenied: 403 Request had insufficient authentication scopes' 錯誤，您可能需要透過 OAuth 設定使用者驗證 憑證如要設定 Python 的 OAuth 憑證，請參閱 OAuth 設定教學課程。

已取消的模型

在工作完成前，您隨時可以取消微調工作。不過，取消的模型推論效能無法預測，尤其是在訓練初期取消調校工作時。如果您想在較早的 epoch 停止訓練，因此取消了調整作業，請建立新的調整作業，並將 epoch 設為較低的值。

調整後模型的限制

注意：調校模型有下列限制：

• 經過調校的 Gemini 1.5 Flash 模型輸入限制為 40,000 個半形字元。
• 經過調整的模型不支援 JSON 模式。
• 僅支援文字輸入。

後續步驟

透過微調教學課程瞭解如何開始使用：

• 微調教學課程 (Python)
• 微調教學課程 (REST)