SFT(教師ありファインチューニング)

AI & 機械学習更新: 2026-10-23

事前学習の次に行う最初の微調整。プロンプトと応答のペアで学習し、モデルに指示へ従うことを覚えさせる。

RLHF や DPO より前の段階である。データは人手で書いた、あるいは精選した「質問X→良い回答Y」の例で、規模は1万〜10万件と小さいが品質が重要になる。第1段階がSFT、第2段階が RLHF または DPO で、両方を経たものがいわゆる「Instruct」モデルである。