Processo de ajustar um modelo de IA pré-treinado em dados específicos de um domínio ou tarefa.
Fine-tuning é o processo de continuar o treinamento de um modelo pré-treinado em um dataset menor e específico de um domínio, tarefa ou estilo. Técnicas modernas (LoRA, QLoRA, PEFT) reduzem drasticamente custo e tempo, permitindo ajustar modelos de bilhões de parâmetros em horas, com GPUs comuns. Quando usar: terminologia muito específica, formato de saída rígido, tarefas de alta repetição ou compliance que exige modelo dedicado. Quando NÃO usar: conhecimento que muda com frequência (use RAG), volume baixo de dados (<1.000 exemplos), tarefas que prompt engineering resolve. Riscos incluem catastrophic forgetting, overfitting e custo de manutenção a cada nova versão do modelo base. A Nobug avalia o trade-off fine-tuning vs RAG vs prompting em cada caso.