# 常见用例

微调的优势与应用场景 微调Afarensis文本生成模型可以显著提升模型在特定应用程序中的性能。以下是微调能够带来改善的一些常见用例：

定制化样式、语气、格式：微调使模型适应特定的写作风格或格式，提供个性化输出。 提升输出可靠性：增强模型生成所需输出的一致性和准确性。 优化复杂提示的遵循性：帮助模型更准确地理解并执行复杂指令。 特定边缘情况处理：使模型能够有效处理特定的边缘情况或少见情景。 执行新技能或任务：让模型学习难以仅通过提示传达的新技能或任务。 高效微调策略 在微调过程中，采用“展示而不是讲述”的方法往往更为高效。通过具体示例展示所期望的输出，而非仅仅通过文字描述任务，可以更直观地指导微调过程。

成本与延迟优化 微调不仅能提升模型性能，还有助于降低成本和减少延迟，而不牺牲输出质量。例如，即使使用gpt-4能够获得良好结果，通过对gpt-3.5-turbo进行微调，也能达到相似质量的输出，同时使用更短的指令提示，进而优化性能和资源使用。

微调支持的模型 GPT-4微调处于实验性阶段，符合条件的用户可以请求访问权限进行微调。 当前支持微调的模型包括gpt-3.5-turbo-0125、gpt-3.5-turbo-1106、gpt-3.5-turbo-0613、babbage-002、davinci-002和gpt-4-0613。 微调已经成为提升模型在特定任务上性能的关键策略。无论是提高产出的质量、处理边缘情况，还是学习新的技能，微调都提供了一种有效途径。同时，它还支持成本和延迟的优化，使得模型应用更加经济高效。

通过将提示工程、提示链接和函数调用等策略与微调相结合，可以实现最佳效果。在决定进行微调之前，快速迭代提示和探索不同策略，可以帮助确认微调是否真正必要，以及如何以最有效的方式进行。

微调提供了一种在保持或降低成本的同时提高模型性能的方法，特别是当通过替换使用更高版本的模型或利用更短的提示来实现时。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://doc.afarensis.com/wei-tiao/chang-jian-yong-li.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.