OpenA提供了许多可直接使用的GPT模型。尽管这些模型在各种任务上表现出色，但针对特定任务或上下文对它们进行微调，可以进一步提高它们的性能。

开始微调

    假设你想为公司创建一个电子邮件自动回复生成器。由于你的公司所在的行业使用专有词汇，因此你希望生成器给出的电子邮件回复保持一定的写作风格。要做到这一点，有两种策略：要么使用之前介绍的提示工程技巧来强制模型输出你想要的文本，要么对现有模型进行微调。对于这个例子，你需要收集大量电子邮件，其中包含关于特定业务领域的数据、客户咨询及针对这些咨询的回复。然后，你可以使用这些数据微调现有模型，以使模型学习公司所用的语言模式和词汇。

    微调后的模型本质上是基于OpenAI提供的原始模型构建的新模型，其中模型的内部权重被调整，以适应特定问题从而能够在相关任务上提高准确性。通过对现有模型进行微调，你可以创建一个专门针对特定业务所用语言模式和词汇的电子邮件自动回复生成器。下图展示了微调过程，也就是使用特定领域的数据集来更新现有GPT模型的内部权重。微调的目标是使新模型能够在特定领域中做出比原始GPT模型更好的预测。需要强调的是，微调后的模型是新模型它位于OpenAl的服务器上。与之前的模型一样，你必须使用OpenAI API来使用它，因为它无法在本地使用。即使你使用自己的数据对LLM进行了微调，新模型也仍然保存在OpenA的服务器上。你需要通过OpenAIAPI与新模型进行交互，而不是在本地使用它。