Quale affermazione descrive meglio il vantaggio della messa a punto (fine-tuning) di un modello di base (FM)?

La messa a punto (fine-tuning) è un processo in cui un modello di base (FM) pre-addestrato, che ha già appreso rappresentazioni generali da un vasto corpus di dati, viene ulteriormente addestrato su un dataset più piccolo e specifico per un'attività. Questo processo adatta il modello per eccellere in quel compito particolare, migliorando significativamente le sue prestazioni senza doverlo addestrare da zero. Le altre opzioni sono errate perché: La messa a punto non riduce le dimensioni o la complessità del modello, né rallenta l'inferenza; al contrario, mira a ottimizzare le prestazioni. La messa a punto non riaddestra il modello da zero, ma si basa sulla conoscenza preesistente. La messa a punto non aggiorna la conoscenza del modello pre-addestrandolo su dati più recenti, ma lo specializza per un compito specifico.