Quelle affirmation décrit le mieux l'avantage du réglage fin (fine-tuning) d'un modèle de fondation (FM) ?

Le réglage fin (fine-tuning) adapte un modèle de fondation (FM) pré-entraîné à une tâche spécifique en l'entraînant davantage avec un ensemble de données plus petit et étiqueté, pertinent pour cette tâche. Cela permet au FM d'apprendre les nuances et les spécificités du cas d'utilisation, améliorant ainsi ses performances sur la tâche cible sans nécessiter un réentraînement complet. Les autres options sont incorrectes car : Le réglage fin n'a pas pour but de réduire la taille ou la complexité du FM, ni de ralentir l'inférence. Le réglage fin ne réentraîne pas le FM à partir de zéro, mais s'appuie sur ses connaissances préexistantes. Le réglage fin n'est pas principalement utilisé pour mettre à jour les connaissances du FM avec des données plus récentes, mais pour l'adapter à une tâche spécifique.