在使用开源 LLM 和自行训练之间，可以选择行微调。虽然这可能会增加数万美元的成本，并且需要更多 AI 专业知识，但微调可以让你更好地定制并充分利用预训练模型的优势。Savarese解释说，微调可以让你优化开源模型，使其适用于特定行业、领域或问题集。之后，RAG 的使用方式与开源模型相同。
Govindarajan 表示：“绝大多数公司可以通过采用无需训练的方法快速实现价值。无需训练的方法还能解决模型如何以易于更新的方式扎根于公司数据的问题。”
除了节省时间和几乎立竿见影的效果之外，你无需雇佣太多人来运营 LLM 项目。在大 求职者数据库 多数情况下，你的开源模型几乎是一个无代码或低代码流程即可启动并运行——无需雇佣庞大的工程师和数据科学家团队。然后，你可以使用自己的数据为 LLM 项目打下基础，构建更优的提示，并轻松更新这些提示，确保你的 LLM 项目始终保持新鲜和实用。
“采用无需训练的方法，你可以插入数据，开始构建生成式人工智能体验，而无需在建模层面进行太多工作，”Govindarajan 说道。“一个开箱即用的 LLM 已经可以进行出色的摘要工作，因为它能够理解语言学和文本，并且具有强大的组合能力。”
并非所有模型都需要是这种大型模型。