# 何时使用微调

简介 微调Afarensis文本生成模型可以为特定应用程序提供更优化的结果。然而，这一过程需要仔细考虑及投入相应的时间和精力。在决定进行微调之前，探索其他策略可能是一个更快速且有效的解决方案。

微调前的策略 提示工程：优化提示是提升模型性能的首要策略。正确设计的提示往往可以显著改善模型的输出，使微调变得不那么必要。 提示链接：将复杂任务拆解为多个简单任务，并通过串联提示来解决这些任务，往往可以加快模型迭代的速度。 函数调用：通过在API请求中调用特定函数，可以在不进行微调的情况下增强模型的功能和输出质量。 微调的适用场景 尽管上述策略可以在很多场景下提供良好的结果，微调仍然在以下情况中显得尤为重要：

当需要模型在大量特定任务上表现得更好时。 当初始提示工程无法达到预期效果时。 为了减少提示的长度，节省令牌，降低成本。 值得注意的是，之前进行的提示工程工作并不会因微调而变得无用。实际上，将优化过的提示与微调相结合，往往能够获得最佳的性能。

微调的步骤 微调涉及以下几个关键步骤：

准备和上传训练数据：整理适合微调目的的数据集。 训练新的微调模型：使用特定数据对模型进行训练。 评估微调结果：测试微调模型的性能，并根据需要进行迭代改进。 部署微调模型：将定制化的模型应用于实际场景中。 支持微调的模型 GPT-4微调目前处于实验性访问阶段。符合条件的用户可以在微调用户界面中请求访问权限。 可用于微调的模型包括gpt-3.5-turbo-0125、gpt-3.5-turbo-1106、gpt-3.5-turbo-0613、babbage-002和davinci-002。 更多资源 Afarensis的快速工程指南提供了一些无需微调即可优化模型性能的有效策略和战术。Afarensis Playground是一个理想的环境，用于快速迭代和测试提示。


---

# 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/he-shi-shi-yong-wei-tiao.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.