Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

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

**FFT ** (Full Fine-Tuning) aggiorna * tutti i pesi * del modello durante l'addestramento. Ciò fornisce il livello di personalizzazione più profondo ma richiede più risorse di calcolo e tempi di formazione più lunghi.

## Quando usare FFT
<a name="fft-when-to-use"></a>
+ Ampi cambiamenti di dominio in cui il modello richiede modifiche fondamentali alle conoscenze
+ Si dispone di un set di dati ampio e di alta qualità (set di dati di piccole dimensioni rischiano di essere dimenticati catastroficamente)
+ Non è necessario sovraccaricare l'adattatore al momento dell'inferenza
+ È richiesta la massima profondità di personalizzazione

## Principali differenze rispetto a LoRa
<a name="fft-key-differences"></a>
+ No `lora_rank``lora_alpha`, o parametri `merge_weights`
+ Aggiunge un `max_response_length` parametro per il controllo della lunghezza dell'output generato
+ Costi di elaborazione più elevati e tempi di formazione più lunghi
+ Artefatti di output più grandi (pesi completi del modello)
+ Non compatibile con la personalizzazione continua [Personalizzazione continua](customizing-models-continuous.md) 

Per il riferimento completo ai parametri, inclusi gli FFT-specific iperparametri, consultate ogni pagina tecnica:[SFT](customizing-models-sft.md),,[DPO](customizing-models-dpo.md). [RFT](customizing-models-rft.md)