Una empresa está entrenando un modelo fundacional y necesita aumentar su precisión a un nivel de aceptación especificado. ¿Qué acción logrará esto?

Aumentar el número de épocas de entrenamiento permite que el modelo vea el conjunto de datos completo más veces, lo que le da más oportunidades para ajustar sus pesos y aprender patrones complejos, mejorando así su precisión. Disminuir el tamaño del lote puede ralentizar el entrenamiento y aumentar la varianza, pero no garantiza una mayor precisión por sí mismo. Disminuir el número de épocas resultaría en un modelo subentrenado y con menor precisión. Aumentar el parámetro de temperatura en un modelo generativo como un LLM haría que las salidas fueran más aleatorias y menos deterministas, lo que generalmente no se asocia con un aumento directo de la precisión en tareas de clasificación o regresión.