自訂模型，以改善其針對使用案例的效能

蒸餾

使用蒸餾將知識從更大型的智慧模型 (稱為老師) 轉移到更小、更快速且符合成本效益的模型 (稱為學生)。Amazon Bedrock 會使用最新的資料合成技術，從教師模型產生多樣化、高品質的回應，並微調學生模型，以自動化蒸餾程序。

若要使用蒸餾，您可以選取想要為使用案例達到準確度的教師模型，以及要微調的學生模型。然後，您提供使用案例特定的提示作為輸入資料。Amazon Bedrock 會針對給定提示產生教師模型的回應，並利用這些回應微調學生模型。您可以選擇提供標記的輸入資料作為提示-回應對。

如需有關使用蒸餾的詳細資訊，請參閱 在 Amazon Bedrock 中自訂具有蒸餾的模型。

強化微調

強化微調可透過以意見回饋為基礎的學習，改善基礎模型與特定使用案例的一致性。您可以定義評估回應品質的獎勵函數，而不是提供標記的輸入/輸出對。此模型透過從這些獎勵函數接收意見回饋分數，反覆學習。

您可以使用現有的 Bedrock 調用日誌作為訓練資料或上傳自訂提示資料集。您可以使用 定義獎勵函數AWS Lambda，以評估回應品質。Amazon Bedrock 可自動化訓練工作流程，並提供即時指標來監控模型學習進度。

如需使用強化微調的詳細資訊，請參閱在 Amazon Bedrock 中使用強化微調來自訂模型。

受監督的微調

提供標記的資料，以訓練模型來改善特定任務的效能。透過提供已標記範例的訓練資料集，模型會學習將特定類型的輸入與應產生的輸出類型建立關聯。模型參數會在程序中受到調整，並針對訓練資料集所代表的任務改善模型的效能。

持續預先訓練

透過使模型熟悉特定類型的輸入，提供未標記的資料來預先訓練基礎模型。您可以提供特定主題的資料，以便向那些區域公開模型。繼續預先訓練程序會調整模型參數，以容納輸入資料並改善其領域知識。

例如，您可以訓練具有私人資料 (例如商業文件) 的模型，這些資料不能公開用於訓練大型語言模型。此外，您可以在模型變成可用時，透過使用更多未標記的資料重新訓練模型，以繼續改良模型。