A pergunta que esta série adiou

Três cursos tocaram no assunto do fine-tuning e o deixaram de lado.

O curso de RAG disse que fine-tuning ensina comportamento enquanto a recuperação fornece fatos. O curso de embeddings disse para verificar antes o fatiamento, a busca híbrida e a reordenação. O curso de few-shot disse que exemplos moldam comportamento por uma fração do custo, e que o mais provável é não precisar de fine-tuning.

Cada um desses adiamentos estava certo. Juntos, eles levaram você à pergunta de verdade: quando treinar um modelo é a escolha certa, e quanto isso custa?

O que é fine-tuning

Tudo o que você construiu até aqui muda a entrada. A recuperação acrescenta fatos ao prompt. Exemplos demonstram um padrão. Schemas restringem a saída. O modelo é uma função fixa à qual você continua entregando argumentos melhores.

Fine-tuning muda a função. Você continua treinando um modelo existente com os seus exemplos, e ele volta com pesos diferentes: um modelo que se comporta de outro jeito antes de você mandar qualquer coisa.

flowchart TB
  subgraph Input["Mudando a entrada"]
    P["Prompt + exemplos + contexto recuperado"] --> M1["Modelo, inalterado"]
  end
  subgraph Weights["Mudando o modelo"]
    D["Seu dataset"] --> T["Rodada de treino"]
    T --> M2["Pesos novos"]
  end

A distinção importa porque decide o que fica sob a sua responsabilidade. Mude a entrada e você cuida de um prompt. Mude os pesos e você cuida de um modelo: um pipeline de treino, um dataset, uma suíte de avaliação, uma decisão de serving e uma versão para manter atualizada.

A realidade da disponibilidade em outubro de 2026

Antes de qualquer teoria, um fato decide se essa é uma decisão que você pode tomar.

A Anthropic não expõe fine-tuning pela API pública. Não existe um endpoint de treino ao lado de Messages, Batches e Files. Por um tempo, dava para fazer fine-tuning de um modelo Claude pelo Amazon Bedrock, mas só do Claude 3 Haiku, e esse caminho fechou: o Bedrock parou de aceitar clientes novos para esse modelo em março de 2026 e o aposentou em 10 de setembro de 2026. A própria documentação da Anthropic diz que a API não oferece fine-tuning e que você pode perguntar ao seu contato na Anthropic se quiser explorar a opção.

Para modelos de pesos abertos (as famílias Llama, Mistral e Qwen e afins), o fine-tuning está totalmente disponível, porque você tem os pesos e pode treinar e servir por conta própria.

Isso divide a pergunta prática em duas:

Verifique isso antes de planejar qualquer coisa. A disponibilidade é o fato que mais muda neste curso (o caminho do Bedrock fechou em setembro de 2026), e um plano construído sobre uma capacidade que ninguém oferece a você não é um plano.

Por que a teoria importa mesmo assim

Mesmo onde fine-tuning não está disponível, vale ter o raciocínio, por três motivos que sempre voltam.

Alguém vai perguntar

"A gente deveria fazer fine-tuning de um modelo com os nossos dados?" aparece na maioria dos times que lidam com essa tecnologia. A resposta útil é um procedimento de decisão.

Os conceitos se transferem

Datasets, divisões, overfitting, avaliação com uma linha de base e o vazamento que invalida um resultado funcionam do mesmo jeito, esteja você treinando um modelo ou medindo um prompt. A adaptação do modelo de embedding no curso de embeddings era essa discussão em miniatura.

As alternativas são a resposta real

Saber o que o fine-tuning traria é o que faz você perceber que um system prompt, exemplos e cache de prompt já entregam a maior parte disso. É o que os três adiamentos diziam, e a aula 2 mostra isso com precisão.

O que este curso cobre

1. A pergunta que esta série adiou (você está aqui).
2. Em que fine-tuning é bom, e em que não é.
3. O dataset é o projeto.
4. Como o treino funciona, conceitualmente.
5. Avaliando um fine-tune com honestidade.
6. Os custos que ninguém cota.
7. Juntando tudo: um procedimento de decisão.

Não há código de fine-tuning neste curso, de propósito. A API que você chamaria depende de uma plataforma cujos detalhes terão mudado quando você precisar dela. A decisão, o dataset e a avaliação continuam valendo.

Pontos-chave

• Tudo antes deste curso mudava a entrada do modelo; fine-tuning muda os pesos, e portanto aquilo que fica sob a sua responsabilidade.
• Em outubro de 2026 a API da Anthropic não expõe endpoint de fine-tuning, e o fine-tuning do Claude 3 Haiku no Bedrock acabou com a aposentadoria desse modelo em 10 de setembro de 2026; qualquer coisa além disso é conversa direta com a Anthropic.
• O fine-tuning de modelos de pesos abertos está totalmente disponível, com a operação por sua conta.
• Verifique a disponibilidade antes de planejar; é o fato que mais muda neste curso.
• O raciocínio se transfere de qualquer forma, porque datasets, divisões, overfitting e linhas de base honestas valem tanto para prompts quanto para pesos.