Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

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

**FFT ** (Penuh Fine-Tuning) memperbarui * semua bobot * model selama pelatihan. Ini memberikan tingkat kustomisasi terdalam tetapi membutuhkan lebih banyak sumber daya komputasi dan waktu pelatihan yang lebih lama.

## Kapan menggunakan FFT
<a name="fft-when-to-use"></a>
+ Pergeseran domain besar di mana model membutuhkan perubahan pengetahuan mendasar
+ Anda memiliki kumpulan data yang besar dan berkualitas tinggi (kumpulan data kecil berisiko terlupakan dengan bencana)
+ Anda tidak ingin overhead adaptor pada waktu inferensi
+ Diperlukan kedalaman kustomisasi maksimum

## Perbedaan utama dari LoRa
<a name="fft-key-differences"></a>
+ Tidak`lora_rank`,`lora_alpha`, atau `merge_weights` parameter
+ Menambahkan `max_response_length` parameter untuk mengontrol panjang output yang dihasilkan
+ Biaya komputasi yang lebih tinggi dan waktu pelatihan yang lebih lama
+ Artefak keluaran yang lebih besar (bobot model penuh)
+ Tidak kompatibel dengan kustomisasi [ berkelanjutan ](customizing-models-continuous.md) 

Untuk referensi parameter lengkap termasuk FFT-specific hyperparameter, lihat setiap halaman teknik:[SFT](customizing-models-sft.md),[DPO](customizing-models-dpo.md),[RFT](customizing-models-rft.md).