País ou região e idioma

    Escolha seu país ou região e seu idioma.

    Sugerido para você

      Todos os países e regiões

        Escolha seu personagem

        Ele aparece na barra superior e no seu perfil. Você pode mudar quando quiser.

        RAG vs fine-tuning

        Escolha entre fornecer fontes atuais e treinar com exemplos. Confira qual falha você precisa corrigir antes de decidir.

        Conferido em 14 de novembro de 2026

        Mudanças diferentes

        RAG recupera fontes para uma requisição. O fine-tuning altera o comportamento do modelo por meio de exemplos de treinamento. Citar uma política nova é um requisito diferente de manter um estilo estável de classificação. Nenhum método elimina a necessidade de avaliar as saídas ou controlar quem pode acessar os dados.

        Em uma empresa fictícia de reparos, o documento de garantias muda enquanto o formato da resposta continua igual. Comece recuperando a revisão aprovada e conferindo a origem das citações. Os exemplos de treinamento não demonstram, por si só, que uma resposta usou a política vigente. Se as decisões de roteamento continuarem erradas apesar de instruções claras e exemplos representativos, avalie esse problema de comportamento antes de considerar treinamento.

        Evidências para decidir

        Mantenha conjuntos fixos de desenvolvimento e de avaliação reservada. Confira separadamente a atualidade das fontes, as respostas sem respaldo e as permissões, além do formato. Um método que melhora uma dimensão pode não mudar outra. Combinar recuperação e treinamento também não torna seus custos nem suas falhas equivalentes.

        O guia de otimização da OpenAI, consultado em 14 de novembro de 2026, classifica o fine-tuning como um recurso legado e informa que sua plataforma não aceita novos usuários. É um dado sobre a disponibilidade desse produto, não uma afirmação de que o método deixou de existir. Confira a opção vigente do provedor antes de planejar um treinamento.

        Escopo da prática

        Crie o projeto RAG local e seu conjunto de avaliação. O notebook usa documentos originais e respostas preparadas. Ele não treina pesos, envia conjuntos de dados nem chama um modelo real. Confira aqui a lógica da aplicação e avalie a arquitetura real em um ambiente autorizado.

        Fontes

        Your Work Gym account

        Save your progress and pick up on another device. Your browser's progress comes with you.

        or

        You can keep practicing without an account.

        Ajuda e feedback

        Faça uma pergunta, conte o que não está funcionando ou compartilhe uma ideia. Respondemos por e-mail.

        Qual é o assunto?

        Usamos apenas para responder a você.