> ## Documentation Index > Fetch the complete documentation index at: https://docs.b-bot.space/llms.txt > Use this file to discover all available pages before exploring further. # Fine-tuning > Comprendi cosa modifica il fine-tuning, quando usarlo e come valutare in sicurezza un modello addestrato. # Fine-tuning Il fine-tuning prosegue l'addestramento di un modello base supportato usando esempi relativi a un'attività specifica. Può rafforzare schemi di risposta, terminologia, stile o struttura dell'output. Non aggiunge automaticamente conoscenze affidabili e aggiornate, né garantisce risultati migliori. Il supporto varia in base al modello e al provider. Prima di preparare un set di dati, verifica nella tua configurazione di B-Bot Hub i modelli base disponibili, il formato dei dati, i limiti e i costi. ## Scegli il metodo giusto Usalo per istruzioni, priorità, tono, limiti e comportamenti che possono cambiare. Usalo per materiale di origine che deve restare aggiornato, tracciabile o facile da sostituire. Usalo per esempi ripetuti del comportamento o dello schema di output che vuoi far apprendere al modello. Prova prima a migliorare il prompt e la conoscenza. Valuta il fine-tuning quando disponi di un'attività stabile, una lacuna misurabile, esempi rappresentativi e un modello supportato. ## Workflow di fine-tuning Formula un obiettivo di miglioramento circoscritto, come rispettare uno schema di risposta o applicare uno stile di assistenza coerente. Prepara casi di test rappresentativi prima dell'addestramento. Mantienili separati dagli esempi di addestramento. Usa input chiari e output ideali sottoposti a revisione. Includi casi normali, casi difficili e rifiuti appropriati. Rimuovi duplicati, contraddizioni, dati sensibili, fatti obsoleti ed esempi che premiano affermazioni non supportate. Seleziona un modello base supportato e usa i controlli di addestramento disponibili in B-Bot Hub. Valuta la versione base e quella addestrata sugli stessi casi esclusi dall'addestramento. Adotta la versione addestrata solo se migliora l'obiettivo definito senza regressioni inaccettabili. ## Principi del set di dati * **Rappresentativo:** deve riflettere gli input reali, comprese lunghezza e ambiguità. * **Coerente:** risolvi i conflitti relativi a tono, policy e comportamento previsto. * **Completo:** includi un contesto sufficiente per ottenere la risposta desiderata. * **Aggiornato:** rimuovi policy, dettagli del prodotto e link obsoleti. * **Sicuro:** escludi segreti e dati personali, a meno che la raccolta e l'uso non siano stati approvati. * **Bilanciato:** includi casi in cui il comportamento corretto consiste nel chiedere chiarimenti, rifiutare o avviare un'escalation. Non esiste un numero universale di esempi che garantisca un modello utile. Parti da un set di dati sottoposto a revisione, misura il risultato e aggiungi esempi che affrontino le lacune osservate. ## Valutazione Valuta separatamente i diversi aspetti: * Successo dell'attività e accuratezza dei fatti * Rispetto delle istruzioni e del formato * Incertezza e rifiuto appropriati * Robustezza rispetto a parafrasi e casi limite * Regressioni al di fuori del comportamento obiettivo * Latenza e costo nell'ambiente previsto Registra la versione del set di dati, il modello base, la configurazione e i risultati della valutazione, in modo che la decisione possa essere riprodotta. ## Errori comuni In genere, i fatti che cambiano di frequente sono più facili da gestire in una fonte di conoscenza o nel contesto della richiesta. In questo modo si misura la memorizzazione, non le prestazioni su nuove richieste. Mantieni un set di valutazione separato. Gli esempi generati possono contenere errori e schemi ripetitivi. Esaminali prima dell'addestramento. Il completamento di un processo di addestramento non dimostra un comportamento migliore. Effettua un confronto con il modello base. ## Guide correlate Usa l'interfaccia di addestramento di B-Bot Hub. Scopri come gli esempi generati da un modello docente possono contribuire a un set di dati per il fine-tuning.