Полезно думать так: файнтюнинг учит модель «как говорить», а не «что знать». Он хорош, когда нужен устойчивый стиль (тон бренда в тысячах ответов), жёсткий формат (модель всегда отвечает валидной структурой под вашу систему) или узкий жанр, которого мало в открытых данных.

Чему он не учит — вашим фактам. Yandex AI Studio прямо предупреждает в документации, что новой информации, например базе знаний поддержки, модель генерации так не выучить. Исследование 2024 года (Gekhman и соавторы) показало и обратную сторону: чем больше новых фактов модель выучивает при дообучении, тем чаще она потом галлюцинирует. Цены, наличие, регламенты меняются каждый день, а дообученная модель заморожена на момент обучения. Знания в момент запроса подаёт RAG. Поэтому на просьбу «дообучите модель на наших данных» наш первый встречный вопрос: «данные меняются?» Если да — вам почти наверняка нужен не файнтюнинг.

• Полное дообучение — меняются все веса модели. Дорого и нужно редко.
• LoRA и другие «лёгкие» методы (PEFT) — модель заморожена, обучаются небольшие добавки к ней. Авторы LoRA (2021) показали: обучаемых параметров в 10 000 раз меньше, памяти видеокарт — в 3 раза меньше, чем при полном дообучении GPT-3. Поэтому дорогая часть сегодня — не вычисления, а датасет.
• Дистилляция — большая модель учит маленькую, чтобы та работала быстрее и дешевле на узкой задаче.

В России дообучение методом LoRA доступно в Yandex AI Studio: на сентябрь 2026 года так можно дообучить YandexGPT Lite, классификаторы на её основе и модель эмбеддингов (стадия Preview). Открытые модели дообучают на своём железе. Рынок идёт тем же путём: по исследованию «Яков и Партнёры» и Яндекса (декабрь 2025), 71% крупных российских компаний выбирают донастройку готовых моделей, а не обучение своих.

С дешёвой проверки: решается ли та же задача промтом и RAG? Если да — вы сэкономили бюджет дообучения и получили контур, который не устаревает. Если нет — файнтюнинг рассматривается как поздняя оптимизация работающей системы, с понятной метрикой «что именно он улучшит».

В Sigma.AI — ассистенте продуктового маркетплейса Sigma.Market с каталогом на 1 155 рецептов — самое важное, что ассистент должен знать точно, — цены и остатки — живёт в складской базе и меняется каждый день. Эти данные ассистент берёт из базы, а не из памяти модели. Типовые сценарии и популярные рецепты обходятся без генерации, а для новых нетиповых запросов работает собственная локальная модель с нашим эмбеддингом (что такое эмбеддинги). Зашивать ежедневно меняющийся каталог в веса модели здесь бессмысленно. Подробнее — в кейсе Sigma.AI.