Hoe werkt fine-tuning?
Een groot taalmodel leert eerst van een enorme, algemene dataset. Dat heet pre-training. Bij fine-tuning volgt een tweede trainingsronde, gericht op één taak. Volgens Google gaat het meestal om honderden of duizenden voorbeelden. Elk voorbeeld laat zien welke uitvoer bij een bepaalde invoer hoort. Fine-tuning is een vorm van transfer learning, een techniek uit machine learning.
- Supervised fine-tuning: je geeft voorbeelden van vragen met het juiste antwoord. Geschikt voor een vaste opmaak, classificatie of een eigen toon.
- Preference tuning: je geeft per vraag een goed en een minder goed antwoord. Het model leert welk soort antwoord de voorkeur heeft. OpenAI noemt deze methode direct preference optimization (DPO).
- Reinforcement fine-tuning: experts geven antwoorden een score en het model leert van de antwoorden met een hogere score. Bij OpenAI kan dit alleen met redeneermodellen, voor complexe vakinhoudelijke taken.
Je kunt alle parameters van het model aanpassen (full fine-tuning) of maar een klein deel. Die tweede aanpak heet parameter-efficient tuning, bijvoorbeeld met de techniek LoRA. Volgens Google Cloud kost die veel minder rekenkracht en werkt die met een kleinere dataset.
Fine-tuning, prompt engineering of RAG?
| Aanpak | Wat je verandert | Geschikt voor |
|---|---|---|
| Prompt engineering | De instructie die je meestuurt | Snel testen, ook met weinig voorbeelden |
| RAG | De informatie die het model bij elke vraag krijgt | Eigen of actuele kennis, zoals prijzen en voorwaarden |
| Fine-tuning | Het model zelf | Een vaste opmaak, toon of taak die prompts niet goed genoeg oplossen |
Google Cloud raadt aan om eerst de juiste prompt te zoeken. Pas daarna kies je voor fine-tuning, als dat nodig is om terugkerende fouten op te lossen. Fine-tuning kan wel kosten besparen: je hoeft minder voorbeelden en lange instructies in elke prompt mee te sturen. Kennis die vaak verandert, werk je makkelijker bij met RAG. Dan vervang je alleen de documenten en train je niets opnieuw.
Waar kun je fine-tunen? De stand op 31 oktober 2026
| Aanbieder | Stand |
|---|---|
| OpenAI | Bouwt het self-serve fine-tuningplatform af. Sinds 2 juli 2026 kunnen alleen organisaties die de afgelopen 60 dagen een fine-tuned model gebruikten nog nieuwe trainingsjobs starten. Vanaf 6 januari 2027 kunnen ook bestaande klanten geen nieuwe trainingsjobs meer starten. |
| Google, Gemini API en AI Studio | Geen fine-tuning meer sinds de uitfasering van Gemini 1.5 Flash-001 in mei 2025. Google is niet van plan het op korte termijn terug te brengen. |
| Google Cloud, Gemini Enterprise Agent Platform | Ondersteunt supervised fine-tuning, preference tuning en reinforcement learning fine-tuning van Gemini-modellen. |
Modellen die je bij OpenAI al hebt getraind, blijven bruikbaar tot het onderliggende basismodel verdwijnt. Daarna moet je overstappen. Bewaar je trainingsdata dus goed. Dan kun je na een modelwissel opnieuw trainen, bijvoorbeeld bij een andere aanbieder.
Voorbeeld: reisbeschrijvingen in een vaste opbouw
Reisorganisatie Fjordreizen uit Utrecht wil voor elke reis een korte beschrijving in dezelfde opbouw en toon. Eerst probeert het team een prompt met instructies en drie voorbeelden. Bij nieuwe bestemmingen wijkt de opbouw nog vaak af. Daarom traint het team via Google Cloud een model op vierhonderd goedgekeurde beschrijvingen.
Het team test het nieuwe model eerst op twintig reizen die niet in de trainingsset zaten. Prijzen en vertrekdata zitten bewust niet in de training. Die haalt het systeem bij elke tekst uit de eigen database, zodat ze altijd kloppen met het aanbod.
Veelgestelde vragen over Fine-tuning
Wat is het verschil tussen fine-tuning en RAG?
Bij fine-tuning train je het model zelf verder op voorbeelden. Bij RAG blijft het model gelijk. Het zoekt bij elke vraag passende documenten op. Kennis die vaak verandert, werk je met RAG makkelijker bij.
Hoeveel voorbeelden heb je nodig voor fine-tuning?
Google noemt voor Gemini honderd voorbeelden of meer als richtlijn. Kwaliteit gaat daarbij boven aantal. De voorbeelden moeten lijken op wat het model straks echt te verwerken krijgt.
Kun je modellen van OpenAI nog fine-tunen?
Alleen als je organisatie de afgelopen 60 dagen een eigen fine-tuned model gebruikte. OpenAI bouwt het platform af. Vanaf 6 januari 2027 kunnen ook bestaande klanten geen nieuwe trainingsjobs meer starten.