En ny, detaljeret tutorial viser, hvordan man finetuner sprogmodeller til at kalde eksterne værktøjer – en teknisk disciplin, der bliver stadig vigtigere for virksomheder, der vil bygge AI-agenter, der kan agere selvstændigt.
Guiden gennemgår hele processen: fra parsing af træningsdata og struktureret ekstraktion af værktøjskald til rendering i Qwen-kompatibelt ChatML-format og effektiv LoRA-tilpasning med PyTorch. Det er en praktisk, end-to-end-vejledning, der henvender sig til udviklere, der allerede har styr på det grundlæggende.
For beslutningstagere er pointen ikke den tekniske detalje, men konsekvensen: Finetuning af modeller til specifikke værktøjskald er en af de mest direkte veje til at få AI til at løse konkrete opgaver i egen virksomhed – fra automatiserede workflows til integration med interne systemer. Men vejen kræver stadig specialiseret kompetence, og det er endnu ikke noget, man køber som en standardløsning.
Guiden viser, at feltet modnes: Der er nu etablerede mønstre og open source-værktøjer, som gør det muligt for flere at komme i gang. Samtidig understreger den, at der stadig er et stykke vej, før finetuning bliver en selvbetjeningsopgave for ikke-teknikere.
