בינה מלאכותית גנרטיבית מסתמכת לרוב על מודלים גדולים של למידת מכונה (ML) שעברו אימון מראש על כמויות עצומות של נתונים. המודלים האלה נקראים מודלים בסיסיים והם משמשים כבסיס למשימות שונות. יש הרבה דרכים להתאים אישית מודלים בסיסיים באמצעות Agent Platform:
שיפור: שיפור המודל כולל אספקת מערך נתוני אימון של דוגמאות ספציפיות שרלוונטיות למשימה הספציפית שנבחרה.
- כוונון בפיקוח: בטכניקה הזו נעשה שימוש בדוגמאות מתויגות כדי לבצע כוונון עדין של מודל. כל דוגמה מדגימה את הפלט שנבחר עבור קלט נתון במהלך ההסקה. התאמה מפוקחת יעילה למשימות שבהן הפלט הצפוי לא מורכב מדי ואפשר להגדיר אותו בבירור, כמו סיווג, ניתוח סנטימנט, חילוץ ישויות, סיכום של תוכן פחות מורכב ויצירת שאילתות ספציפיות לתחום. אפשר לכוונן סוגי נתונים של טקסט, תמונה, אודיו ומסמכים באמצעות למידה מונחית.
- כוונון באמצעות למידה ממשוב אנושי (RLHF): השיטה הזו מתאימה כשפלט המודל שנבחר מורכב יותר. כוונון RLHF מתאים במיוחד למטרות שלא קל להבחין ביניהן באמצעות כוונון בפיקוח, כמו מענה על שאלות, סיכום של תוכן מורכב ויצירת תוכן קריאייטיבי.
זיקוק: זיקוק כולל בדרך כלל אימון של מודל קטן יותר, 'תלמיד', כדי לחקות את ההתנהגות של מודל גדול יותר, 'מורה', עם יכולות מתקדמות יותר.
אימון מודלים של מתאמים: אימון מודלים קטנים יותר של מתאמים (או שכבות) שפועלים בשילוב עם מודל בסיס כדי לשפר את הביצועים במשימות מיוחדות. הפרמטרים של מודל הבסיס המקורי לרוב נשארים קבועים, ורק המשקלים של המתאם מתעדכנים במהלך האימון.
הארקה (Grounding): הארקה היא לא שיטת אימון, אבל היא היבט חשוב בהבטחת המהימנות של התוצרים של AI גנרטיבי. הארקה כוללת חיבור של הפלט של המודל למקורות מידע שאפשר לאמת, וכך מצמצמת את הסיכויים ליצירת תוכן מומצא. לרוב, כדי לעשות זאת צריך לתת למודל גישה למקורות נתונים ספציפיים במהלך ההסקה.