Дообучение моделей: короткий гайд

Дообучение звучит как способ «сделать модель своей»

: взять открытую LLM, обучить на ваших данных - и получить эксперта вашего домена.

Дообучение решает узкий, но реальный класс задач: когда модель должна работать в закрытом периметре на доступном железе, без облака и без поиска по корпусу на каждый запрос.

За его пределами дешевле и надёжнее облако с RAG или дисциплина llm-wiki.

Этот текст - про то, как отличить одно от другого, без лишней теории и без выдуманной экономики.

](/blog/kak-dat-llm-vashi-znaniya).

У базовой LLM знание и манера ответа закодированы в весах - миллиардах чисел, настроенных на огромном общем корпусе.

Дообучение (fine-tuning) продолжает эту настройку на ваших данных: модель досматривает примеры из вашего домена и сдвигает веса так, чтобы отвечать ближе к ним.

Дообучение вшивает знание и поведение внутрь весов - на рантайме нет ни поиска, ни большого промпта, модель отвечает сразу.

Есть и третий внешний слой - граф знаний / GraphRAG: для глобальных и многошаговых вопросов, где обычный RAG слаб, строят граф сущностей и связей и отвечают обходом графа. А для маленького стабильного знания под одну задачу иногда достаточно просто вставить его в промпт (in-context), без всякой инфраструктуры - правда, тогда оно жжёт токены на каждом вызове.

Внешних слоёв, таким образом, не два, а несколько; дообучение стоит особняком - оно единственное меняет саму модель.

Для большинства прикладных задач речь идёт о первых двух видах - поведение и формат, иногда с лёгким адаптером.

Продолженный претрейн - отдельный, дорогой разговор. Сильные стороны дообучения - это не «модель становится умнее».

Это конкретные следствия того, что знание оказалось внутри весов.

Соблазнительно сравнить «дообучение vs облако»

Экономику on-prem решает утилизация GPU, а не цена токена: простаивающий ускоритель дорог при любой «дешёвой» модели, а хорошо загруженный окупает себя при высоком потоке вызовов.

Поэтому рублёвых сумм за железо или инференс мы здесь сознательно не печатаем - они зависят от вашей конфигурации, профиля нагрузки и горизонта владения.

Стоимость контура считается под задачу.

Как мы дообучаем модели как услугу - датасет, LoRA, метрики до/после и контур - [

](/blog/kak-dat-llm-vashi-znaniya).

Понимание против исполнения, веса против контекста - «Линза Карпатого». RAG как механизм извлечения в рантайме - инструмент RAG.

Корпоративная память по принципу «No RAG» - Sloy.

Модели под 152-ФЗ и обезличивание на входе - LLM Gateway.

Внедрение ИИ короткими итерациями - для бизнеса.

Цифры по стоимости моделей и калькулятор контуров - разбор LLM 2026.