Дообучение модели

Обновлено 2 февраля 2026

Пользователи GigaChat API могут дообучить модель с помощью API дообучения по методу

LoRA 

.

Дообучение позволит адаптировать базовую модель GigaChat под конкретные задачи бизнеса или специализированные области знаний.

Кому пригодится:

• Корпоративным клиентам – для внедрения отраслевой терминологии (медицина, юриспруденция, финансы).
• Разработчикам – для кастомизации стиля ответов (например, под бренд-голос компании).
• Исследователям – для экспериментов с узкоспециализированными датасетами.

Требования к датасету

Для дообучения модели необходим датасет в формате JSON-массива с диалогами между пользователем и ассистентом. Идеальный объем данных начинается от 600 диалогов — меньшее количество может повлиять на итоговое качество работы модели.

Пример сообщения

[
    {
      "role": "system",
      "content": "",
      "trainable": false,
      "message_index": 0
    },
    {
      "role": "user",
      "content": "Опишите свой последний приключенческий опыт (путешествие, экспедиция, занятие спортом). Нарисуйте одну из сцен из вашего приключения.",
      "trainable": false,
      "message_index": 1
    },
    {
      "role": "assistant",
      "content": "К сожалению, я не могу рисовать, так как я компьютерная программа. Но я могу описать свой последний приключенческий опыт.\n\nМой последний приключенческий опыт был в походе по горам в Кавказском заповеднике. Мы шли в группе из 10 человек и провели в горах три дня.\n\nВ первый день мы начали наш путь с небольшого подъема к хребту. Здесь мы увидели захватывающие виды на горные вершины и долины. Второй день был самым сложным, так как мы должны были преодолеть большое количество крутых склонов и спуститься по крутым склонам. Но это стоило того — вид на окружающую природу был потрясающим!\n\nВ третий день мы дошли до вершины и сделали фотографии для памятных альбомов. Затем мы начали спускаться к базовому лагерю, который находился у подножия гор.\n\nПоследний день путешествия был отличным — мы посетили местный рынок и попробовали местные блюда. Это была замечательная поездка с невероятными видами на горы и природу.",
      "trainable": true,
      "message_index": 2
     }
]

Array [

role

string

Возможные значения: [system, user, assistant]

Роль отправителя: system — системный промпт, user — запрос пользователя, assistant — ответ модели.

content

string

Текст сообщения.

trainable

boolean

Пригодность сообщения для обучения: true — пригодно, false — непригодно.

message_index

integer

Порядковый номер сообщения в диалоге (начинается с 0).

]

Этапы дообучения

Процесс дообучения проходит в несколько этапов с помощью специальных API-методов:

1. Загрузите подготовленный датасет для дообучения в хранилище, используя метод POST /file.

2. Выберите одну из доступных для дообучения моделей: GigaChat-2, GigaChat-2-Pro или GigaChat-2-Max.

   Подробнее о моделях — на странице Модели GigaChat.

3. Создайте задачу на дообучение. Для этого используйте метод POST /fine_tuning/jobs, указав:

   • название базовой модели, которую планируется дообучить;
   • ID датасета, загруженного в хранилище.

4. Для генерации с помощью дообученной модели используйте метод POST /chat/completions. В запросе укажите название дообученной модели в формате ft:{base_model}:{suffix}:{ID}. Посмотреть названия дообученных моделей можно с помощью метода GET /fine_tuning/jobs или в ответе на создание задачи.

Отслеживание статуса задачи

Проверить состояние запущенной задачи дообучения можно с помощью метода GET /fine_tuning/job-id.

Пример запроса

{
  "id": "string",
  "model": "string",
  "created_at": "2025-03-18T12:56:18.365Z",
  "fine_tuned_model": null,
  "status": "ready",
  "training_file": "string"
}

id

string

Идентификатор задачи на дообучение.

model

string

Базовая модель для дообучения.

created_at

string

Дата и время создания сообщения.

fine_tuned_model

string

Название дообученой модели.

status

string

Возможные значения: [in progress, ready, failed, cancelled, succeeded]

Статус задачи на дообучение.

training_file

string

Идентификатор файла, загруженного в хранилище, с данными для дообучения. Подробнее о работе с файлами – в разделе Хранилище файлов.

Также можно просмотреть статус всех созданных задач, используя метод GET /fine_tuning/jobs.

Отмена задачи

Для отмены задачи на дообучение используйте метод POST /fine_tuning/cancel-job. Задача переводится в статус cancelled.