Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# FFT
<a name="customizing-models-fft"></a>

**FFT ** (Full Fine-Tuning) aktualisiert * alle * Modellgewichte während des Trainings. Dies bietet ein Höchstmaß an Anpassungsmöglichkeiten, erfordert jedoch mehr Rechenressourcen und eine längere Trainingszeit.

## Wann sollte FFT verwendet werden
<a name="fft-when-to-use"></a>
+ Große Domänenverschiebungen, bei denen das Modell grundlegende Wissensänderungen erfordert
+ Sie verfügen über einen großen, qualitativ hochwertigen Datensatz (bei kleinen Datensätzen besteht die Gefahr, dass Sie sie vergessen)
+ Sie möchten bei der Inferenz keinen Adapter-Overhead
+ Eine maximale Anpassungstiefe ist erforderlich

## Hauptunterschiede zu LoRa
<a name="fft-key-differences"></a>
+ Nein `lora_rank``lora_alpha`, oder Parameter `merge_weights`
+ Fügt einen `max_response_length` Parameter zur Steuerung der generierten Ausgabelänge hinzu
+ Höhere Rechenkosten und längere Trainingszeit
+ Größere Ausgabeartefakte (volle Modellgewichte)
+ Nicht kompatibel mit [ kontinuierlicher Anpassung ](customizing-models-continuous.md) 

Die vollständige Parameterreferenz einschließlich FFT-specific Hyperparametern finden Sie auf den einzelnen Technikseiten:[SFT](customizing-models-sft.md),[DPO](customizing-models-dpo.md),[RFT](customizing-models-rft.md).