El ajuste fino toma un modelo que ya entiende el lenguaje y modifica ligeramente sus pesos con un conjunto de datos más pequeño y específico. Howard y Ruder (2018) establecieron con ULMFiT la receta moderna de aprendizaje por transferencia para el PLN, y Devlin et al. (2019) convirtieron con BERT el esquema «preentrenar y luego ajustar» en el paradigma dominante.
En comparación con el prompting, el ajuste fino puede incorporar un comportamiento de forma permanente y barata en la inferencia, a cambio de una ejecución de entrenamiento y un conjunto de datos que mantener.