技能 · LLM 應用 · 框架、LLM 與領域訊號

Fine-tuning

以自有資料續訓練既有模型。

歷史資料從 2026年9月11日開始。要看出增減，需要一期至少相隔 30 天、可以比較的後續資料。

它在哪些職位最常被提到

每一列的分母是該職位本期的職缺數，依比例排序。

本期怎麼讀

本期有 10 個職位類別的職缺提到 Fine-tuning。

在 8 個有獨立頁面的職位中，有 1 個職位至少五分之一的職缺提到 Fine-tuning：LLM／NLP 工程師 36.0%。

Fine-tuning 在「LLM／NLP 工程師」職缺中的出現比例（36.0%）至少是全體核心 AI 職缺（8.6%）的兩倍，比整體更集中在這個職位。

Fine-tuning 屬於「LLM 應用」，是框架、LLM 與領域訊號；請搭配下方和它一起出現的基礎與上線交付技能一起解讀。

解讀規則：「比整體更集中」是指在有獨立頁面的職位裡，至少 10 筆職缺提到這個技能，而且比例至少是全體核心 AI 職缺的 2 倍；「常被提到」是指一個職位至少 20% 的職缺提到它。這些句子描述的是本期開著的職缺，不是趨勢。

分母是提到 Fine-tuning 的職缺數：其中同時提到各技能的比例，依三種閱讀角度分組。

類別：程式語言、機器學習、資料工程、資料庫、方法與流程

類別：DevOps、雲端、工具

類別：框架、LLM 應用、領域知識、辦公軟體

佔這個技能的職缺數。

產業

地區

304 筆職缺中，各有多少筆是從雇主填的技能標籤、職稱、職務說明看出來的。一筆職缺可能同時有多種證據，所以三個數字相加會大於職缺數。