# Finjustering (fine-tuning)

> Finjustering innebär att man fortsätter träna en befintlig modell på egna exempel så att dess vikter förskjuts mot det beteende man vill ha. I motsats till…

Source: https://northerngo.com/sv/ordlista/finjustering/
Language: sv
Updated: 2026-08-28

---
**Finjustering innebär att man fortsätter träna en befintlig modell på egna exempel så att dess vikter förskjuts mot det beteende man vill ha. I motsats till promptning byggs förändringen in i modellen och gäller vid varje anrop utan att behöva upprepas.**

### Vad det är bra för

Finjustering lär ut **form**, inte fakta. De fall där det verkligen vinner:

- Ett **enhetligt utdataformat** som modellen hela tiden glider ifrån, över tusentals anrop.
- Ett **specifikt tonläge eller register** — husets stil, ett fackområdes terminologi, ett särskilt sätt att strukturera ett svar.
- **En smal uppgift med hög volym** där en liten finjusterad modell matchar en mycket större allmän modell till en bråkdel av kostnaden och latensen. Det är det starkaste kommersiella argumentet.
- **Att korta prompten.** Skickas ett instruktionsblock på 2 000 tokens vid varje förfrågan sparar man det vid varje anrop genom att flytta beteendet in i vikterna.

Det mesta av dagens finjustering är parametereffektiv: LoRA och liknande metoder tränar en liten uppsättning extra vikter i stället för hela nätverket, och därför kan det kosta hundralappar snarare än tiotusentals kronor.

### Vad det kräver

Hundratals till några tusen exempel på indata och korrekt utdata, och kvaliteten på de exemplen sätter taket för resultatet. Det är den delen folk underskattar: finjustering är ett datakurateringsprojekt med ett kort träningsjobb på slutet. Femtio inkonsekventa exempel lär modellen att vara inkonsekvent, mycket tillförlitligt.

Du behöver också en testmängd som hålls undan innan du börjar. Utan den går det inte att avgöra om justeringen förbättrade något eller bara gjorde modellen sämre på ett sätt som råkar behaga dig på de tre prompter du provade.

### Vad du bör se upp med

**Finjustering är en dålig väg att lägga till kunskap, och det är det misstag som kostar mest pengar i onödan.** Fakta som lärs in så absorberas ojämnt, kan inte källhänvisas, kan inte uppdateras utan omträning och tenderar att öka [hallucinationerna](/sv/ordlista/hallucination/) snarare än minska dem — modellen blir mer självsäker inom området utan att bli mer korrekt. För kunskap: använd [RAG](/sv/ordlista/retrieval-augmented-generation/).

Tre kostnader till:

1. **Katastrofal glömska.** Att träna hårt på en smal uppgift försämrar den allmänna förmågan. Modellen blir bättre på ditt format och sämre på att resonera runt det.
2. **Underhåll.** En finjustering är fastnaglad vid en basmodell. När en bättre bas kommer får du köra om jobbet — och köra om din utvärdering.
3. **Inlåsning.** En justering som gjorts inne i en molnleverantörs plattform går i regel inte att flytta någon annanstans.

Ordning att försöka i, efter kostnad: bättre prompt, sedan exempel i prompten, sedan hämtning, sedan finjustering. De flesta projekt som sträckte sig efter steg fyra borde ha stannat vid steg tre.

---

NorthernGo är en AI-driven plattform för att bygga produktionsklara webbappar utan kod. Lokal AI-generering via WebGPU är obegränsad och gratis, och du äger all genererad källkod. https://northerngo.com/