提示設計策略 (例如幾個提示) 不一定能產生您需要的結果。微調是一項可改善模型 表現，或協助模型遵循特定輸出內容 並提供一組範例，藉此補充： 來呈現所需的輸出內容
本頁面提供微調文字模型的概念總覽 Gemini API 文字服務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。
微調的運作方式
微調的目的在於進一步提升 您的具體任務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。這種調整模型有時也稱為 監督式微調，使其與其他類型的微調作業做出區別。
訓練資料的結構應為含有提示輸入內容和預期回應輸出內容的範例。您也可以直接使用範例資料調整模型 介紹生成式 AI 的各種功能目標是訓練模型模仿期望的行為 或工作或任務，以提供更多例子說明該行為或工作
執行調整工作時，模型會學習其他參數 將必要資訊編碼以執行所需工作 行為這些參數可在推論時使用。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。為獲得最佳成效，資料集中的範例應具備高品質、多樣性，並能代表實際輸入和輸出。
格式
資料集中的範例應與預期的正式環境相符 流量如果資料集包含特定格式、關鍵字、操作說明 生產資料的格式應該相同 包含相同指示
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。如果排除情境，模型就無法辨識模式
即使確切問題位於資料集的範例中也一樣
再舉一個例子，此應用程式的 Python 訓練資料 依序產生下一個數字：
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"},
]
在資料集中的每個範例中加入提示或前置詞，也可能有助於 可以提高調整後模型的成效請注意，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：
- 每個範例的輸入大小上限為 40,000 個半形字元。
- 每個範例的輸出內容大小上限為 5,000 個字元。
訓練資料大小
您最多可以使用 20 個範例微調模型。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。下表列出針對各種常見工作精調文字模型時，建議使用的資料集大小：
| 工作 | 資料集中的樣本數 |
|---|---|
| 分類 | 100 以上 |
| 摘要 | 100 至 500 人以上 |
| 文件搜尋 | 100 以上 |
上傳調整用資料集
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。詳情請參閱
透過 cURL 調整快速入門導覽課程
即可開始使用
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。
- 批量：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：浮點數，可告知演算法在每次疊代時調整模型參數的強度。舉例來說，學習率為 0.3 的調整權重和偏差的效果，比學習率為 0.1 的效果強大三倍。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。值大於 1 會提高學習率，而值介於 1 和 0 之間會降低學習率。
建議設定
下表列出精細調整基礎模型的建議設定：
| 超參數 | 預設值 | 建議調整 |
|---|---|---|
| 紀元 | 5 |
如果損失開始值早於 5 個週期，請使用較小的值。 如果損失是採收斂處理，看起來並未偏平，則輸入較高的價值。 |
| 批量 | 4 | |
| 學習率 | 0.001 | 針對較小資料集使用較小的值。 |
損失曲線會顯示模型預測與理想偏差的程度
訓練樣本中的預測結果理想情況下，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
本節提供了一些訣竅，說明如何解決 建立調整後的模型
驗證
如要使用 API 與用戶端程式庫調整，必須進行驗證。您可以使用 API 金鑰 (建議做法) 或 OAuth 憑證設定驗證機制。如需設定 API 金鑰的說明文件，請參閱「設定 API 金鑰」。
如果您看到 'PermissionDenied: 403 Request had insufficient authentication
scopes' 錯誤，可能需要使用 OAuth 憑證設定使用者驗證。如要設定 Python 的 OAuth 憑證，請造訪我們的
OAuth 設定教學課程。
已取消的模型
您可以在精細調整工作完成前隨時取消。不過 取消模型的推論成效是無法預測的 系統就會在訓練過程提前取消調整工作。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：
- 調整後的 Gemini 1.5 Flash 模型的輸入上限為 40,000 個字元。
- 調整過的模型不支援 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：