Które stwierdzenie najlepiej opisuje korzyści z dostrajania (fine-tuning) modelu podstawowego (FM)?

Dostrajanie (fine-tuning) to proces dalszego trenowania wstępnie wytrenowanego modelu podstawowego (FM) na mniejszym, specyficznym dla zadania zbiorze danych. Celem jest dostosowanie modelu do konkretnego przypadku użycia i poprawa jego wydajności w tym zadaniu. Model uczy się niuansów i wzorców zawartych w nowych, oznaczonych danych, co pozwala mu lepiej generalizować i wykonywać zadania, do których został dostrojony. Pozostałe opcje są nieprawidłowe: Dostrajanie nie zmniejsza rozmiaru ani złożoności FM, ani nie powoduje wolniejszego wnioskowania. Często może zwiększyć złożoność, a wnioskowanie pozostaje podobne lub szybsze dzięki specjalizacji. Dostrajanie nie trenuje modelu od podstaw; wykorzystuje jego już nabytą wiedzę jako punkt wyjścia. Dostrajanie nie polega na wstępnym trenowaniu na nowszych danych w celu aktualizacji wiedzy, lecz na dalszym trenowaniu na danych specyficznych dla zadania.