Proceso de continuar entrenando un foundation model preentrenado con un dataset propio y etiquetado para especializarlo en una tarea o dominio específico, ajustando los pesos del modelo (a diferencia de RAG o in-context learning, que no modifican el modelo).
En AIF-C01 y GENAI-L se compara con RAG e in-context learning en una escala de coste y complejidad: in-context learning (más barato, sin entrenamiento) < RAG (moderado) < fine-tuning (requiere datos etiquetados y cómputo) < pre-training desde cero (más caro). Pregunta: adaptar el tono de un modelo a la voz de marca de la empresa con ejemplos propios → fine-tuning.