# Fine-Tuning, LoRA और कब नहीं — Large Language Models

Source: https://www.geekswithgeeks.com/hi/llms/r-finetune

> मॉडल को सस्ते में अनुकूलित करें और prompting, retrieval, tuning में चुनें।

## शैली और format सिखाएँ, तथ्य नहीं

**Fine-tuning** पहले से प्रशिक्षित मॉडल का प्रशिक्षण आपके उदाहरणों पर जारी रखता है। **LoRA** जैसे **parameter-efficient तरीक़े** मूल weights जमा देते हैं और जोड़े गए छोटे matrices को प्रशिक्षित करते हैं, जिससे स्मृति और लागत बहुत घटती है और छोटी adapter फ़ाइलें बनती हैं। Fine-tuning एकसमान **शैली, format, लहजे या संकरे कौशल** के लिए अच्छी है। तेज़ी से बदलता ज्ञान जोड़ने के लिए वह ख़राब तरीक़ा है: बदलने वाले या स्रोत-सहित तथ्यों के लिए **retrieval** (RAG) उपयोग करें, और पहले **बेहतर prompts और उदाहरण** आज़माएँ क्योंकि वे सबसे सस्ते हैं। आज़माने का आम क्रम है prompt, फिर retrieval, फिर fine-tuning।

## 50 बेहतरीन उदाहरणों से शुरू करें

गुणवत्ता मात्रा से बेहतर: कुछ दर्जन सावधानी से लिखे उदाहरण अक्सर दिखा देते हैं कि fine-tuning मदद करेगी या नहीं, हज़ारों में निवेश से पहले।

**Quiz:** कौन-सी समस्या fine-tuning की जगह retrieval से सबसे अच्छी हल होती है?

- [x] रोज़ बदलते और स्रोत-सहित दस्तावेज़ों से उत्तर देना
- [ ] हमेशा तयशुदा brand लहजे में उत्तर देना
- [ ] तयशुदा output format सीखना
- [ ] मॉडल को छोटा करना

*Answer:* रोज़ बदलते और स्रोत-सहित दस्तावेज़ों से उत्तर देना. Retrieval सवाल के समय वर्तमान, स्रोत-योग्य तथ्य prompt में लाता है।