ファインチューニング やり方・費用・いつ使うべきか【2026年入門】

3行まとめ

1. OpenAIはファインチューニングプラットフォームの提供終了を進めており、新規ユーザーは利用できない。公式に価格が残るのはo4-mini-2025-04-16のみ（学習$100/時間）
2. オープンソースモデルはTogether AI公式によると、LoRAファインチューニングが16B以下のモデルで$0.48/100万トークン、70B〜100Bで$2.90/100万トークン
3. ハイパーパラメータ調整に3〜5回の反復が必要なため、1回の学習コストだけでなく反復分の予算を見込む必要がある

重要な注記（2026-08-27追記）：この記事が挙げていた出典5件（CloudZero・io.net・AI Superior・Spheron Network・Ryz Labs）を再検証したところ、5件すべてが到達不能だった（4件がHTTP 404、io.netはHTTP 200だが本文「Page not found」）。Internet Archive（Wayback Machine）にもアーカイブは存在しなかった。このうちGPT-4o・GPT-4.1のトークン単価による学習コストと、Llama 3.1 70B QLoRA on io.netの数値は、代わりにOpenAI公式ドキュメント・Together AI公式価格ページを取得しても裏付けが取れなかったため本文から削除した。一方、オープンソースモデルの$0.48/100万トークンはTogether AI公式価格ページで確認でき、出典を差し替えたうえで残している。以下、確認できた範囲で整理し直した。

ファインチューニングとは

ファインチューニングは、学習済みのLLM（大規模言語モデル）を特定のタスクやドメインに合わせて追加学習させる手法だ。

プロンプトエンジニアリングやRAG（検索拡張生成）と比較した位置づけは以下の通り。

RAGについてはRAGガイドを参照。

モデル別のファインチューニング費用

OpenAI API（クローズドモデル）

2026-08-27追記：OpenAI公式ドキュメント（platform.openai.com/docs/pricing）を実際に取得したところ、「OpenAIはファインチューニングプラットフォームの提供終了を進めている。新規ユーザーは利用できず、既存ユーザーも今後数か月に限り学習ジョブを作成できる」と明記されていた。同ページで価格が示されているのはo4-mini-2025-04-16のみで、学習コストは**$100/時間**という時間課金であり、本記事が以前掲載していたGPT-4o・GPT-4.1のトークン単価による学習コスト（約$25・約$3/100万トークン）は同ページに記載がなく、出典だった二次情報（リンク切れ）でも確認できなかったため削除した。

料金の詳細はOpenAI APIガイドを参照。ただしOpenAIのファインチューニング提供自体が縮小方向にあるため、新規に検討する場合は必ず公式ページで現行の可否を確認すること。

オープンソースモデル

2026-08-27追記：Together AI公式価格ページ（together.ai/pricing）を実際に取得して確認した。教師ありファインチューニング（LoRA）の価格はモデルサイズ帯ごとに分かれている。

7BクラスのモデルはTogether AI公式の「16B以下」区分に該当し、$0.48/100万トークンは公式価格と一致した。一方、「Llama 3.1 70B + QLoRA on io.netで約$26/5万サンプル」という記述は、出典のio.net記事が本文消失（Page not found）で確認できず、他の一次情報でも裏付けが取れなかったため削除した。

ローカルLLMの導入方法はローカルLLMガイドを参照。

ファインチューニングの進め方

1. データの準備

学習データは「入力と期待する出力」のペアを用意する。フォーマットはモデルやプラットフォームによって異なるが、JSONL形式が一般的だ。

データの質がファインチューニングの成果を決める。少量でも高品質なデータのほうが、大量の低品質データより効果が出やすい。

2. 学習の実行

OpenAI APIの場合はダッシュボードまたはAPI経由でファインチューニングジョブを投入する。オープンソースモデルの場合はHugging Face Transformers、Axolotl、Unslothなどのツールを使う。

3. ハイパーパラメータ調整

ファインチューニングは一発で決まることは少ない。学習率・エポック数・バッチサイズなどを変えながら3〜5回の反復を見込んでおく。

つまり、予算は「1回の学習コスト × 3〜5倍」で計算するのが現実的だ。

4. 評価

学習後のモデルをテストデータで評価する。元のモデル（ファインチューニング前）と比較して、対象タスクでの精度が上がっているかを定量的に確認する。

いつファインチューニングすべきか

ファインチューニングを検討する前に、まずプロンプトエンジニアリングとRAGで対応できないか試す。それでも以下の条件に該当する場合にファインチューニングを検討する。

• 出力の形式・スタイルを厳密に制御したい（JSON出力の構造、専門用語の使い方など）
• 推論コストを下げたい（長いシステムプロンプトをモデルに焼き込むことで入力トークンを削減）
• レイテンシを下げたい（RAGの検索ステップを省略）
• ドメイン知識を注入したい（医療・法律・社内用語など）

逆に、最新情報の参照が必要な場合はRAGのほうが適している。ファインチューニングは学習データの時点で知識が固定されるためだ。

出典5件が全てリンク切れだった件

• 2026-08-27追記：本記事が当初引用していた出典5件（CloudZero、io.net、AI Superior、Spheron Network、Ryz Labs）は、この日にcurlで再取得を試みたところ全て到達不能だった（4件はHTTP 404、io.netはHTTP 200だが本文が「Page not found」）。Wayback Machineにも記録が一切ない
• 代わりにOpenAI公式ドキュメント（platform.openai.com/docs/pricing）とTogether AI公式価格ページ（together.ai/pricing）を直接取得して裏付けを取り直した。GPT-4o・GPT-4.1のトークン単価による学習コストとLlama 3.1 70B QLoRA on io.netの数値は、どちらの公式ページでも確認できなかったため本文から削除した
• オープンソースモデルの「16B以下のモデルでLoRA $0.48/100万トークン」はTogether AI公式価格ページの数値と一致したため、出典を差し替えて残している
• QLoRAによるファインチューニングはフル・ファインチューニングと比べて精度が落ちる場合がある。コスト削減とのトレードオフが存在する
• 「3〜5回の反復」は一般的な目安として元の情報源に記載されていた数字で、これ自体の一次確認は取れていない。タスクによってはこれ以上必要になる場合もある
• 本記事はファインチューニングの入門的な概要であり、実際の実装にはモデルやプラットフォームごとの公式ドキュメントを参照する必要がある

到達できなくなった5件の出典（現在は使用していない）

• CloudZero — LLM Fine-Tuning Cost Guide（2026-08-27時点でリンク切れ）
• io.net — Llama 3.1 Fine-Tuning（2026-08-27時点で本文消失）
• AI Superior — Fine-Tuning Best Practices（2026-08-27時点でリンク切れ）
• Spheron Network — Fine-Tuning Cost Comparison（2026-08-27時点でリンク切れ）
• Ryz Labs — LLM Fine-Tuning Guide（2026-08-27時点でリンク切れ）

現在の本文の数値は、OpenAI公式ドキュメントとTogether AI公式価格ページ（いずれも2026-08-27に取得）を一次ソースとしている。実際の予算計画には、その時点の各社公式ページで最新の料金を確認すること。