[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-fine-tune-vs-rag::ru":3,"gloss-cluster-fine-tune-vs-rag::ru":23,"gloss-next-fine-tune-vs-rag::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"fine-tune-vs-rag","core-ai","Дообучение против RAG","Дообучение и поиск решают разные задачи, и выбор обычно определяется тем, о чём ваше требование: о поведении или о фактах.\n\nДообучение меняет веса модели на ваших примерах. Это верный инструмент для формы и стиля: стабильная структура вывода, фирменный тон, классификация с размытыми границами, доменная лексика, которую базовая модель коверкает. Плохо оно справляется со знаниями, которые меняются: переобучать модель при каждом изменении прайса — значит построить очень дорогую базу данных.\n\nПоиск не трогает модель и кладёт нужный текст перед ней в момент запроса. Он решает свежесть, данные конкретного клиента и цитируемость: ответ может указать на документ, из которого взят, а дообучение так не умеет.\n\nБольшинство команд, просящих дообучение, описывают задачу поиска: «модель не знает наших продуктов» — это про факты. Работающий порядок такой: промпт, затем поиск, и только потом дообучение, когда оставшаяся ошибка стилистическая или структурная, а не фактическая. К этому моменту у вас уже есть набор оценки с первых двух этапов, чтобы доказать пользу третьего.","Дообучение учит модель, как себя вести; поиск сообщает, что верно прямо сейчас. Большинству продуктов, думающих о первом, нужно второе.",null,[11,14,17,20],{"slug":12,"name":13},"cost-per-task","Стоимость задачи",{"slug":15,"name":16},"fine-tuning","Дообучение (Fine-Tuning)",{"slug":18,"name":19},"prompt-engineering","Инженерия промптов (Prompt Engineering)",{"slug":21,"name":22},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]