RAG借助外部向量库实时检索信息，成本低、易更新，适合需动态数据的场景；模型微调则通过领域数据训练提升专业性与准确性，但耗资源且知识静态。二者并非互斥，常结合使用——RAG补时效，微调强专精。
要让大模型的回答更准确、更专业，目前主要有两种方法：RAG（检索增强生成） 和 模型微调（Fine-Tuning）。它们究竟是什么？有何区别？各自适用于哪些场景？AI 科普达人 New Machina 将在 5 分钟内，为大家深入解析这两项关键的 LLM 技术。
RAG 通过结合外部数据源（通常是向量数据库）来增强大语言模型的能力，使其能够实时获取最新信息，而无需修改模型本身。这种方法不仅成本更低，还能让系统保持动态更新，特别适合需要频繁获取新数据的应用场景。不过，RAG 依赖检索系统，数据质量和响应速度可能会受到影响。
相比之下，模型微调则是直接在特定领域的数据上进行训练，使模型在特定任务上的表现更精准、更专业。但微调过程需要大量计算资源，并且训练后的知识是静态的，无法获取新的信息，必须重新训练才能更新。
简单来说，RAG 更适用于需要实时信息的场景，而微调更适合专业领域的应用。如果追求准确性和专业化，模型微调是更好的选择。如果希望低成本、动态更新，RAG 则更具优势。
开发者 Emm Tee 用 GPT-6 Astra 加 Blender 做出完整可玩的送报游戏 PaperRoute，并公开了逐小时、逐 token 的完整账本：39 小时追踪工时、15.6 亿 token、90 次提交。他把流程拆成八步：先写自己的 brief，只给机制不给美术方向，把游戏引擎和画面表现跑成两条独立工作流，角色概念图在 ChatGPT 做、网格走 Meshy、由 Astra 完成减面绑定，每一次改动都产出审查渲染图。他还给出了未验证的部分：手机端稳定 60fps 尚无定论。
ChatGPT Work 是 OpenAI 推出的自主智能体操作系统，具备全网访问、持久化文件系统及无头浏览器等核心能力。其内置 223 个工具与 44 项技能，支持代码运行、网站部署及自然语言定时任务，实现从指令到可交付成果的闭环。实测显示其能自主完成路线规划、数据抓取等复杂工作流。但系统存在间接提示词注入风险及多代理文件冲突问题，使用时需注意安全边界与版本管理。
OpenAI 发布 GPT-Image-2.5，核心突破在于实现无漂移局部精修。API 端拆分为 Flare 与 Sunburst 双模型：Flare 主打低延迟与高吞吐，适合批量出图；Sunburst 专注高精度多轮编辑，保障品牌物料一致性。前端新增草图模式、模板系统及图上评论功能，提升创作效率。该模型解决了 AI 改图画面漂移痛点，已在多个平台落地应用，但在超长对话多层修改场景下仍存在回溯局限。
围绕《RAG 和 模型微调哪个好，怎么用？》展开交流，未登录用户可浏览评论，登录后可参与讨论。
