Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
FFT
FFT (Full Fine-Tuning) met à jour tous les poids des modèles pendant l'entraînement. Cela fournit le niveau de personnalisation le plus élevé, mais nécessite davantage de ressources de calcul et un temps de formation plus long.
Quand utiliser la FFT
Changements de domaines importants où le modèle nécessite des modifications de connaissances fondamentales
Vous disposez d'un ensemble de données volumineux et de haute qualité (les petits ensembles de données risquent d'être oubliés de manière catastrophique)
Vous ne voulez pas surcharger l'adaptateur au moment de l'inférence
Une profondeur de personnalisation maximale est requise
Principales différences par rapport à LoRa
Non
lora_ranklora_alpha, oumerge_weightsparamètresAjoute
max_response_lengthun paramètre pour contrôler la longueur de sortie généréeCoûts de calcul plus élevés et temps de formation plus long
Artefacts de sortie plus importants (poids complets du modèle)
Non compatible avec la personnalisation continue
Pour la référence complète des paramètres, y compris FFT-specific les hyperparamètres, consultez la page de chaque technique :SFT,DPO,RFT.
