ChatGPT 關掉了 fine-tune，為什麼現在用不到了？
來源：Facebook
作者：Nathan Chiu
日期：2026-05-19（約）
核心事件
OpenAI 五月初通知開發者：self-serve fine-tuning 平台即將收掉。已經 fine-tune 過的模型可以用到 base model 被淘汰為止（約 2027 年初）。新的 fine-tune 工作，能選的 base model 只剩 gpt-4.1 系列與 o4-mini。
這件事標誌著一條技術路徑的死亡——2023 年大家以為「企業 AI 就是這樣搞」的路，正式結束。
fine-tune 曾經解決的問題（2023 年的四大用途）
-
固定輸出格式
電商客服、法務文件抽取、醫療報告分類等需要穩定結構的場景。 -
壓縮 prompt 成本
把規則內化到權重，減少每次呼叫的 token 消耗（官方曾說可減少高達 90%）。 -
特定語氣與品牌風格
讓模型寫起來像公司品牌或特定專業人士的語氣。 -
邊角案例的可靠性
把通用模型的 99% 準確率，在特定產業場景拉到 95% 以上。
當時大家想像的 AI 護城河，就是「用客戶資料 fine-tune 出獨家模型」。
為什麼這條路被殺死了？
作者認為有三件事同時發生：
1. Base model 自己變強了
GPT-5 內建 structured output、tool use、長指令理解。以前需要 500 筆範例教的事，現在三行 prompt 就能講清楚。模型每升一代，fine-tune 的 ROI 就被砍一半。
2. Context Window 大爆炸 + Prompt Caching
Claude 200K、Gemini 1M，prompt caching 把重複 prompt 的成本壓到原本的十分之一。當你可以把所有規則和範例直接塞進 context，而且成本很低時，fine-tune 壓縮 prompt 的優勢大幅降低。
3. RAG + Agent 架構崛起
企業真正想要的，從來不是「模型懂我的資料」，而是「系統能用到我的資料」。
- RAG 的資料是活的，fine-tune 的資料是死的
- 業務規則改了，用 RAG 當天就能上線，不用重訓
- RAG 出問題至少能追到是哪份文件，fine-tune 出問題很難 debug
產業共識
Anthropic 從來沒有真正開放消費級 fine-tune。他們的路線是：把 base model 練到夠強、用 Constitutional AI 控制行為、給超大 context + prompt caching + MCP。
Google 的 Gemini 也有 fine-tune，但重心明顯放在 context 和 grounding。
所以 OpenAI 收掉 fine-tune，不是孤立事件，而是整個產業的共識：這條路對大多數企業客戶已經不通了。
對企業與 SaaS 的意義
2023 年的 AI 策略簡報，幾乎每一份都會寫「我們會用獨家資料 fine-tune 模型」，當成可防禦的競爭優勢。
三年後回頭看，這個論點站不住。
資料的價值不在模型權重裡，而在那條能把資料即時餵給模型的管線上。
- 誰把 RAG 做得乾淨
- 誰的向量索引夠新
- 誰的 MCP 接口接得進企業內部系統
- 誰的 agent 工作流能跨系統執行
這些才是新的護城河。
護城河從「我訓了一個模型」變成「我建了一個系統」。前者是一次性的，後者是持續性的。
結論
OpenAI 收掉 fine-tune 這天，與其說是一個產品下架，不如說是一個時代的訃聞——那個以為「有資料就贏」的時代，正式結束了。
有資料只是入場券，會用資料才是本事。
標籤：#FineTuning llm rag agent ai策略 openai 技術演進
相關主題：製造業 AI 落地、Agent Teams、MCP、LLM Wiki