RAG vai fine-tuning: kumpi kannattaa ja milloin (oikeilla luvuilla)

RAG vai fine-tuning: kumpi kannattaa ja milloin (oikeilla luvuilla)

Useimmat RAG vai fine-tuning -neuvot ohittavat juuri sen yhden kokeen, jossa molemmat mitattiin samalla tehtävällä. Balaguer ja kumppanit ajoivat arXiv:2401.08406 -tutkimuksessaan (siteerattu 162 kertaa) maatalouden kysymys-vastausaineiston molempien läpi: fine-tuning toi yli 6 tarkkuuspistettä, ja RAG kasasi sen päälle vielä 5 lisää. Heidän taulukkonsa 18 näyttää GPT-4:lle 75 % ilman apua, 81 % fine-tuningin jälkeen ja 86 % fine-tuningin ja haun yhdistelmällä. Miksi silti neuvomme useimpia tiimejä aloittamaan RAGilla? Koska tuoreus, lähdeviitteet ja alla oleva kustannuslaskelma ratkaisevat useamman projektin kuin yhden tarkkuuspisteen ero.

Keskeiset havainnot

• RAG on oletusvalinta, kun tieto muuttuu usein tai vastausten pitää sisältää lähdeviitteet; fine-tuning voittaa tasaisessa muodossa ja viiveessä.
• Fine-tuningin kustannukset osuvat alkuun (koulutus); RAGin kustannukset syntyvät kyselyä kohden (upotukset ja ylimääräiset syötokenit).
• Julkaistu näyttö samalta tehtävältä: fine-tuning lisäsi 6 tarkkuuspistettä, RAG vielä 5 päälle, ja yhdistelmä voitti molemmat yksinään.
• Aja viisi tarkistusta (tiedon tuoreus, labeloidut esimerkit, viive, lähdeviitteet, tiimin osaaminen) ennen kuin kirjoitat riviäkään koulutuskoodia.

Milloin valita RAG ja milloin fine-tuning? (Pikaratkaisu)

Valitse RAG, jos tietosi muuttuu usein tai vastausten pitää sisältää lähdeviitteet. Valitse fine-tuning, jos tarvitset tasaisen tulosteen muodon ja pienen viiveen ja sinulla on sadoittain labeloituja esimerkkejä. Käytä molempia, kun tuote kypsyy. RAG muokkaa kontekstia, jonka malli lukee; fine-tuning muokkaa itse mallia. Useimmat tiimit tarvitsevat ensimmäistä, eivät jälkimmäistä.

Yksi rivi muistettavaksi: RAG muuttaa sitä, mitä malli lukee; fine-tuning muuttaa sitä, mitä malli on. Valitse sen mukaan, kumpaa tehtäväsi todella tarvitsee.

NVIDIAn RAG-sanasto määrittelee hakupuolen selkeästi, jos haluat oppikirjaversion. Määritelmät eivät kuitenkaan valitse arkkitehtuuriasi. Näyttö valitsee, joten aloita siitä.

Mitä tutkimusnäyttö kertoo? Yksi tehtävä, molemmat lähestymistavat, mitattuna

Ainoa samalla tehtävällä mitattu vertailu Googlen viiden kärjessä tälle kyselylle on Balaguer ja kumppanit 2024, Microsoft Researchin tutkimus, jota on siteerattu 162 kertaa. Tiimi ajoi yhden maatalouden kysymys-vastaus­tehtävän RAG-putkiston, fine-tunatun mallin ja näiden yhdistelmän läpi ja antoi GPT-4:n pisteyttää vastaukset. Heidän asetelmassaan fine-tuning yksinään voitti RAGin yksinään niukasti, ja kahden yhdistäminen voitti kumman tahansa selvemmin.

Maatalouden case-tutkimus (arXiv:2401.08406)

Tutkimus, jonka Angels Balaguer ja 15 rinnakkaiskirjoittajaa jättivät tammikuussa 2024, kysyy, mitä tarvitaan, jotta viljelijät saisivat sijaintikohtaisia näkemyksiä. Heidän putkistonsa poimii tietoa PDF-tiedostoista, tuottaa niistä kysymys-vastauspareja ja arvioi Llama2-13B:tä, GPT-3.5:tä ja GPT-4:ää haun kanssa ja ilman.

Balaguer ja kumppanit raportoivat fine-tuningin tuovan yli 6 prosenttiyksikköä tarkkuutta, kumulatiivisesti RAGin kanssa, joka lisäsi vielä 5 pistettä päälle. Hybridiputkisto voitti kumman tahansa yksinään. Heidän taulukkonsa 18 näyttää GPT-4:n järjestysluvut: 75 % ilman apua, 80 % RAGilla, 81 % fine-tunattuna, 86 % fine-tuning ja RAG yhdessä. Huomaa, kuinka lähellä 80 % ja 81 % ovat toisiaan; ero pelkän RAGin ja pelkän fine-tuningin välillä on yksi piste, kun taas hybridi on viisi pistettä molempia edellä. Yhdessä kokeessa fine-tunattu malli hyödynsi muilta alueilta opittua tietoa vastatakseen aluekohtaisiin kysymyksiin ja nosti vastausten samankaltaisuuden 47 %:sta 72 %:iin.

Taloudellinen näyttö

Snorkel AI:n julkaistu tutkimus (marraskuu 2022) kattaa kustannuspuolen. Sadan luokan juridiikan luokittelubenchmarkissa (LEDGAR, 80 000 sopimusmääräystä) fine-tunattu RoBERTa-malli vastasi fine-tunattua GPT-3:a ollen 1 400× pienempi, käyttäen alle 1 %:n verran ground-truth-labeleita ja toimien 0,1 %:ssa fine-tunatun GPT-3-mallin tuotantopäättelyn kustannuksista, suunnilleen tuhannesosalla. Rakennuskustannus yhteensä: 1 915 $ ohjelmallisella labeloinnilla vastaan 7 418 $ manuaalisella annotoinnilla ja GPT-3:n fine-tuningilla. Yksi varaus: kyse on luokittelusta, ei generatiivisesta kysymys-vastaus­tehtävästä, joten suhdelukuja kannattaa pitää suuntaa-antavina.

Tulkintamme

Tulkintamme: heidän asetelmansa on ystävällisin tapaus, jonka fine-tuning koskaan saa, ja silti se voitti vain pisteellä. Balaguer ja kumppanit kouluttivat kiinteällä PDF-korpuksella ja arvioivat samaa jäädytettyä korpus­ta vastaan, joten mikään painojen oppimasta ei päässyt vanhentumaan kokeen aikana. Useimmat tuotannon tietokannat eivät pysy paikoillaan noin. Tukibotti, joka vastaa viime viikon julkaisua koskeviin kysymyksiin, ansaitsee 6 pistettä takaisin joka uudelleenkoulutussyklissä, kun taas RAGia syöttävä indeksi päivittyy samana iltapäivänä. Siksi luemme yhden tarkkuuspisteen etua tämän päätöksen heikoimmaksi syötteeksi ja tuoreuden vahvimmaksi. Missä näyttö ei yleistä: Snorkelin tulos on luokittelubenchmark, eikä kumpikaan tutkimus testaa sävyn tai muodon hallintaa, joka on yhä fine-tuningin vahvin perustelu.

Fine-tuning on oikea vastaus harvemmin kuin tiimit luulevat; useimmat projektit, jotka sanovat "fine-tuning", tarkoittavat oikeasti "hakua".

Miten RAG toimii ja milloin se voittaa?

RAG (retrieval-augmented generation) vastaa dokumenteista, joita sinä hallitset, sen sijaan mitä malli on sattunut opettelemaan koulutuksessa. Ensimmäisenä Lewis ja kumppanit vuonna 2020 ehdottama menetelmä nousi tietotyön oletukseksi, koska tieto elää mallin ulkopuolella: päivitä indeksi, ja jokainen vastaus muuttuu huomenna ilman uudelleenkoulutusta.

Putkisto on neljä vaihetta:

1. Niele. Jäsennä dokumenttisi (PDF:t, wikit, tiketti­järjestelmät) korpukses­si.
2. Paloittele ja upota. Jaa muutaman sadan tokenin paloihin ja muunna kukin palaksi vektoriksi upotusmallilla.
3. Hae. Kyselyhetkellä etsi top-K samankaltaisinta palaa sekä avainsanaosumat tarkoille merkkijonoille, kuten SKU-koodeille ja virhekoodeille.
4. Täydennä ja generoi. Pakkaa nuo palat promptiin ja anna LLM:n vastata lähteet liitteenä.

RAG voittaa kolmella akselilla: tuoreus (uudelleenindeksointi uudelleenkoulutuksen sijaan), lähdeviitteet (jokainen vastaus osoittaa palaan, josta se tuli) ja datan hallinta (asiakasdata ei koskaan päädy koulutusajoon). Jos haluat täyden rakennusläpikäynnin, tässä ohje RAG-sovelluksen rakentamiseen vaihe vaiheelta.

Yksi varoitus haun laadusta: putkisto on vain upotus- ja hakuyhdistelmänsä veroinen. Anthropicin Contextual Retrieval mittasi 5,7 %:n top-20-hakuvirheosuuden yksinkertaisilla asetelmilla, joka laski 2,9 %:iin kontekstuaalisilla upotuksilla ja BM25:llä ja 1,9 %:iin, kun reranker lisättiin. Jos tarkat osumat epäonnistuvat toistuvasti, hybridi­haku (BM25 vastaan vektori) on korjaus.

Milloin fine-tuning voittaa? (Ja mitä on PEFT?)

Fine-tuning voittaa, kun ongelma on siinä, miten malli vastaa, ei siinä mitä se tietää: tasainen tulosteen muoto, brändin sävy tai tiukka viivebudjetti ilman haun edestakaista kierrosta. Se on myös vipu pienten mallien taloudellisuuteen. Snorkelin GPT-3-laatu-0,1-prosentin-hinnalla -tulos yllä on olemassa vain, koska joku fine-tunasi pienen mallin sen sijaan, että olisi tarjoillut isoa.

Täysi fine-tuning vastaan PEFT (LoRA / QLoRA)

Täysi fine-tuning päivittää mallin jokaisen painon. Se on kallista, hidasta ja harvinaista suurten tutkimuslabrojen ulkopuolella. Lähes kaikki julkaisevat PEFTin (parameter-efficient fine-tuning) avulla. LoRA (Hu ja kumppanit 2021) jäädyttää peruspainot ja kouluttaa pienen matalan asteen adapterin, tyypillisesti 0,1–1 % parametrimäärästä. QLoRA lisää päälle 4-bittisen kvantisoinnin, jolloin 13B-malli mahtuu yhdelle kuluttaja-GPU:lle. Yksi sukulaistermi, joka kannattaa tuntea: jatkuva esikoulutus, jossa malli jatkaa esikoulutusta raakalla alakohtaisella korpuksella (valvomattomasti) ennen valvottua fine-tuningia labeloiduilla esimerkeillä.

Minimaalinen LoRA-asetus Hugging Face PEFT -dokumentaation mukaan:

from peft import LoraConfig, get_peft_model

config = LoraConfig(
    r=16,                          # low-rank dimension; 8-64 typical
    lora_alpha=32,                 # scaling factor, commonly 2x r
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM",
)

model = get_peft_model(base_model, config)
model.print_trainable_parameters()
# trainable params: ~13M || all params: 6.7B || trainable%: 0.19

Datan valmisteluun, epokkimääriin ja arviointiin löytyy vaiheittainen fine-tuning-oppaamme.

Riskit ovat todellisia: ylisovittaminen pienillä data-aineistoilla (muutama sata esimerkkiä voi opetella ulkoa sen sijaan että oppisi), vanhentuminen (painot jäädyttävät tietosi koulutuksen rajapäivään) ja lähdeviitteiden puuttuminen (fine-tunattu malli ei voi näyttää kuittejaan). Jos yksikään näistä kolmesta on este, juuri puhuit itsesi takaisin RAGiin.

RAG, fine-tuning ja prompt engineering: minne muut sopivat?

Kolme ovat tikapuut, eivät kilpailijoita. Prompt engineering muuttaa ohjeita, RAG muuttaa kontekstia, jonka malli lukee, ja fine-tuning muuttaa painoja. OpenAI:n oma fine-tuning-opas sijoittaa fine-tuningin viimeiseksi kierrossa: ensin evalit, sitten promptit, koulutus vasta kun promptaus ei enää riitä. Kaksi uudempaa vaihtoehtoa täydentävät työkalupakkia.

Yksi sekaannus, joka kannattaa nimetä: MCP-palvelimet ja agenttikehykset ovat orkestrointia, eivät kustomointia. Ne päättävät, mihin työkaluihin ja lähteisiin malli yltää; ne eivät muuta sitä, miten malli vastaa. Voit ajaa RAG-putkistoa agentin sisällä ja fine-tunata alla olevan mallin, ja monet tuotantojärjestelmät tekevät molempia. Automaattitäydennys­kiistat ("vs mcp", "vs agentit") ovat luokkavirheitä.

Onko RAG halvempi kuin fine-tuning? Todellinen kustannusmalli

Lyhyt vastaus: realistisilla kyselymäärillä, kyllä. Fine-tuningin lasku osuu alkuun (labeloitu data ja koulutus), kun taas RAGin lasku saapuu kyselyä kohden (upotukset ja ylimääräiset syötokenit). OpenAI:n fine-tuning-dokumentaatio veloittaa koulutuksen tokeneittain, mutta tokenmaksut ovat pikkurahoja verrattuna labeloitujen esimerkkien ihmistyöhön. Tässä laskelma julkisilla listahinnoilla.

Nollakohdan kysymys: kuinka monen kyselyn jälkeen RAGin kumulatiivinen kyselykohtainen vero vastaa fine-tuning-investointia?

break_even = training_cost / per_query_retrieval_delta
           = $1,915 / $0.0003
           ≈ 6.4 million queries

50 000 kyselyllä kuukaudessa se on yli kymmenen vuotta. Useimmille tuotteille fine-tuning-investointi ei koskaan maksa itseään takaisin pelkillä tokensäästöillä; fine-tunataan muodon ja viiveen vuoksi, ei RAGin voittamiseksi kustannuksissa. Laskelma kääntyy miljoonien kuukausittaisten kyselyiden tai hyvin suurten haettujen kontekstien kohdalla. Ja huomaa epäsymmetria: fine-tuningin lasku uusiutuu joka kerta, kun datan ajautuminen pakottaa uudelleenkoulutukseen, kun taas RAG skaalautuu lineaarisesti määrän kertaa palan koon mukaan. Jos kyselykohtainen kulutus on todellinen huoli, aloita kyselykohtaisten LLM-kustannusten leikkaamisesta ensin; jos silti lähdet koulutuslinjalle, vertaa fine-tuning-työkalut ennen kuin kirjoitat shekin.

Yksi tuoreushuomio: heinäkuussa 2026 OpenAI:n fine-tuning-dokumentaatio kertoo, että hallinnoitu alusta ajetaan alas uusien käyttäjien osalta, ja nykyiset käyttäjät säilyttävät koulutusoikeuden tuleviksi kuukausiksi. Se on yksi syy lisää siihen, miksi tiimit kallistuvat avointen mallien PEFTiin tai pelkkään RAGiin.

Viisi tarkistusta ennen valintaa

Aja nämä viisi kyllä-tai-ei-tarkistusta ennen kuin kirjoitat riviäkään koulutuskoodia; vastausten kuvio osoittaa RAGiin, fine-tuningiin tai hybridiin luotettavammin kuin yksikään benchmark. Vastaa rehellisesti ja laske sitten.

1. Muuttuuko tieto nopeammin kuin ehtisit uudelleenkouluttaa? Kyllä → RAG. Uudelleenkoulutus joka dokumenttipäivityksellä ei ole toimintasuunnitelma.
2. Onko sinulla muutama sata labeloitua esimerkkiä? Ei → RAG tai prompt engineering. Fine-tuning 40 esimerkillä opettelee ulkoa; se ei opi.
3. Onko olemassa tiukka viivebudjetti? Tiukka → fine-tuningin suuntaan. Haun edestakaisen kierroksen väliin jättäminen säästää 50–200 ms.
4. Pitääkö vastausten sisältää lähdeviitteet tai auditointijälki? Kyllä → RAG. Fine-tunatut mallit eivät voi osoittaa lähdepalaan.
5. Onko tiimillä ML-osaamista sekä GPU- tai API-budjettia koulutukseen? Ei → RAG. Indeksi, jonka voit rakentaa uudelleen, voittaa painot, joita et voi uudelleenkouluttaa.

Enimmäkseen kyllä kohdissa 1, 4, 5 → RAG. Enimmäkseen kyllä kohdissa 2 ja 3 vakaalla alalla → fine-tuning. Hajonneet vastaukset tai kypsä tuote, jolla on oikeaa liikennettä → hybridi (seuraava osio). Tarkistuslistan tarkoitus on päättää näytön perusteella, ei sen mukaan, mikä tekniikka on kuukauden trendi syötteessäsi.

Voiko RAGia ja fine-tuningia käyttää yhdessä?

Kyllä, ja kypsissä tuotantokäytöissä hybridi on sääntö, ei poikkeus. Fine-tunaa alaosaa­misen sujuvuuteen ja tulosteen muotoon (miten), hae faktat päättelyhetkellä (mitä). Balaguer ja kumppanit raportoivat täsmälleen tämän maatalouden tehtävässään: hybridi­putkisto voitti kumman tahansa yksinään, RAGin 5 pisteen hyödyn kasautuessa fine-tuningin 6 pisteen päälle.

Suosittelemamme kypsymispolku: aloita prompt engineeringista, lisää RAG hetkellä, jolla vastaukset tarvitsevat yksityistä tai tuoretta dataa, ja lisää fine-tuning vasta, kun muodon epätasaisuus tai viive alkaa tuotannossa sattua. Hyppää suoraan fine-tuningiin, ja maksat koulutusveron ennen kuin tiedät, ratkaisiko haku jo ongelman.

Hybridi ei ole kompromissi; kypsissä tuotantokäytöissä se on oletus: fine-tunaa muotoa varten, hae faktat.

Miten arvioit voittajan?

Valitse voittaja samalla tavalla kuin valitsisit tietokannan: mittaa omalla kuormallasi, etä tuntumalla. Resepti mahtuu yhteen kappaleeseen ja kattaa neljä lukua, jotka todella ratkaisevat.

• Pidätetty kysymysjoukko. 100–300 oikeaa käyttäjien kysymystä. Ei synteettisiä, ei koskaan mitään koulutuksessa tai indeksoinnissa nähtyä.
• Uskollisuus ja vastauksen oikeellisuus. Uskollisuus kysyy, perustuuko vastaus haettuun kontekstiin; oikeellisuus kysyy, onko se todella oikein. Pari, jonka RAGAS teki tunnetuksi, nappaa sekä hallusinaatiot että haun ohi­lyönnit.
• Viive p95:ssä, ei keskiarvona. Haku lisää edestakaisen kierroksen; mittaa häntää.
• Kustannus per 1 000 kyselyä, tokenit ja infrastruktuuri, mitattuna eikä arvattuna.
• Aja uudelleen ajautumalla. Uudet dokumentit, uusi mallin tilannevedos, uusi vuosineljännes: aja joukko uudelleen.

Täysi mittarierittely työkaluineen löytyy LLM-arviointioppaastamme.

Tietoja kirjoittajasta

Mert Batur on Techsy.io:n perustajaosakas, jossa tiimi toimittaa AI-agentteja, automaatiojärjestelmiä ja ääni-/SDR-putkistoita B2B-asiakkaille. Hän kirjoittaa LLM-työkalupinosta, jota Techsyn tiimi todella käyttää tuotannossa. Yhdistä LinkedInissä.

Usein kysytyt kysymykset

Voiko RAGia ja fine-tuningia käyttää yhdessä?

Kyllä. Fine-tunaa tulosteen muotoon ja alakohtaiseen sujuvuuteen ja pidä haku faktoja varten päättelyhetkellä. Balaguer ja kumppanit mittasivat tätä hybridiä maatalouden kysymys-vastaus­tehtävällä ja havaitsivat sen voittavan kumman tahansa yksinään, tarkkuushyötyjen kasautuessa. Useimmat kypsät tuotantojärjestelmät päätyvät tähän: painot miten-osuudelle, haku mitä-osuudelle.

Milloin fine-tuningia ei kannata käyttää?

Jätä fine-tuning väliin, kun tietosi muuttuu nopeammin kuin ehdit uudelleenkouluttaa, kun sinulla on alle muutama sata labeloitua esimerkkiä, kun vastausten pitää sisältää lähdeviitteet tai auditointijälki tai kun budjettia ei ole uudelleenkoulutukseen datan ajautuessa. Nuo neljä ehtoa kuvaavat useimpia varhaisen vaiheen tuotteita, minkä vuoksi RAG on yleensä oikea ensimmäinen siirto.

Onko fine-tuning kumottu?

Ei, mutta sen reviiri kutistui. Pitkät konteksti-ikkunat ja halpa RAG imaisivat käyttötarkoituksia, jotka vaativat fine-tuningia vuonna 2023. Jäljelle jäänyt on todellista: tiukka tulosteen muoto, brändin sävy, viivebudjetit ilman haun edestakaista kierrosta ja pienten mallien taloudellisuus. Jos ongelmasi on siinä, miten malli vastaa, eikä siinä mitä se tietää, fine-tuning on yhä oikea työkalu.

Milloin käyttää RAGia ja milloin fine-tuningia?

Käytä RAGia, kun vastaukset riippuvat yksityisestä tai tiheästi päivittyvästä tiedosta tai kun tarvitset lähdeviitteet. Käytä fine-tuningia, kun tarvitset tasaisen muodon, sävyn tai viiveen ja sinulla on riittävästi labeloituja esimerkkejä. Käytä molempia, kun tuote kypsyy. Jos olet epävarma, aloita RAGilla: sen peruminen on halvempaa kuin koulutusajon.

Onko RAG halvempi kuin fine-tuning?

Alkuun kyllä. RAGin kustannus syntyy kyselyä kohden (upotukset ja ylimääräiset syötokenit), kun taas fine-tuning veloittaa kerran koulutuksesta ja labeloidusta datasta ja uusiutuu jokaisella uudelleenkoulutuksella. Julkisilla listahinnoilla nollakohta asettuu noin 6,4 miljoonaan kyselyyn laskuesimerkissämme, joten tyypillisillä volyymeillä RAG pysyy halvempana tuotteen koko elinkaaren.

Onko RAG parempi kuin fine-tuning hallusinaatioissa?

Yleensä, mutta ei ilmaiseksi. RAG pohjaa vastaukset haettuihin paloihin, joten voit viitata lähteisiin ja auditoida epäonnistumiset. Huono haku kuitenkin myrkyttää vastauksen: Anthropic mittasi 5,7 %:n top-20-hakuvirheosuuden yksinkertaisilla asetelmilla, joka putosi 1,9 %:iin kontekstuaalisella haulla ja rerankkauksella. Fine-tuning taas voi leipoa virheet painoihin ilman tapaa jäljittää niitä.

RAG, fine-tuning vai prompt engineering: mikä ero?

Prompt engineering muuttaa lähettämiäsi ohjeita. RAG muuttaa kontekstia, jonka malli lukee kyselyhetkellä. Fine-tuning muuttaa mallin painoja. Jokainen on edellistä suurempi interventio: kokeile prompteja ensin, lisää haku kun tieto on pullonkaula ja kouluta vasta, kun muoto, sävy tai viive yhä kolhii.

Miten arvioida RAGin ja fine-tuningin suorituskykyä?

Rakenna pidätetty joukko 100–300 oikeaa käyttäjien kysymystä ja pisteytä molemmat lähestymistavat sillä: uskollisuus (perustuuko se?), vastauksen oikeellisuus (onko se oikein?), p95-viive ja kustannus per 1 000 kyselyä. Aja joukko uudelleen aina, kun dokumenttisi tai mallin tilannevedos muuttuu. Synteettiset kysymykset imartelevat molempia järjestelmiä; oikeat erottavat ne.

Fine-tuning vai RAG moniportaisiin kysymyksiin uudesta tiedosta?

RAG, paremmalla haulla. Mekanismi ratkaisee tämän: fine-tunattu malli voi päätellä vain sen päälle, mitä sen painot ovat imeneet, joten tieto, jota se ei koskaan nähnyt, on tavoittamattomissa riippumatta siitä, kuinka hyvin se koulutettiin. Haku ojentaa puuttuvat palat kyselyhetkellä. Koukku on siinä, että yksi hakukierros kerää harvoin jokaisen portaan, joten suunnittele kyselyn ositus tai iteratiivinen haku ja reranker, etkä yhtä top-K-hakua.

Yhteenveto

Kertaus ilman varauksia:

• RAG on oletus muuttuvalle tiedolle ja viitatuille vastauksille. Fine-tuning on erikoistyökalu muotoon, sävyyn ja viiveeseen.
• Saman tehtävän näyttö (Balaguer ja kumppanit) antaa fine-tuningille +6 p.y. ja RAGille vielä +5 p.y. päälle, hybridin ollessa kolmesta paras. Neuvo aloittaa RAGilla perustuu tuoreuteen, lähdeviitteisiin ja kustannuksiin, ei tuohon tulostauluun.
• Kustannuslaskelma kääntyy RAGin eduksi realistisilla volyymeillä: nollakohta asettui noin 6,4 miljoonaan kyselyyn laskuesimerkissämme.
• Päätä viidellä tarkistuksella, etä tottumalla.

Valitsitko RAGin? Katso arvosteltu RAG-työkalulistamme putkiston ympärille rakentuvalle pinolle.