Finjustering innebär att man tränar vidare en redan färdig grundmodell på egen, mer specifik data så att den anpassas till en viss stil, domän eller uppgift. Det skiljer sig från att bara ge modellen instruktioner eller kontext vid frågetillfället — vid finjustering ändras modellens vikter mer varaktigt. Finjustering kan ge jämnare ton och bättre träffsäkerhet på snäva uppgifter, men kräver data, kompetens och underhåll, och måste ofta göras om när grundmodellen byts.

För många verksamhetsbehov räcker det längre att arbeta med bra kontext (RAG och kontext-engineering) än att finjustera, eftersom kontext är billigare att uppdatera och inte binder till en modellversion. Finjustering väcker också dataskyddsfrågor eftersom egen, ibland känslig, data förs in i träningen. Valet mellan finjustering och kontext är därför både en teknisk och en integritets- och kostnadsfråga.