Full Parameter Tuning ist eine Modelloptimierungstechnik im Deep Learning, die insbesondere in Transferlern- oder Domänenanpassungsszenarien verwendet wird. Dabei werden alle Parameter eines vortrainierten Modells an eine bestimmte Aufgabe oder einen bestimmten Datensatz angepasst. Diese Technik ermöglicht die Optimierung des Modells für eine bestimmte Aufgabe unter Beibehaltung des vorab trainierten Wissens, erfordert jedoch entsprechend mehr Rechenressourcen. Es handelt sich um ein gängiges Paradigma für vortrainierte Sprachmodelle (PLMs) in der natürlichen Sprachverarbeitung (NLP), bei dem alle Parameter des Modells mithilfe gekennzeichneter Daten nachgelagerter Aufgaben fein abgestimmt werden, um es an bestimmte Aufgaben anzupassen. Obwohl diese Methode die Leistung verbessern kann, geht sie auch mit einem enormen Verbrauch von Rechen- und Speicherressourcen einher. Mit zunehmender Modellgröße steigt auch der Ressourcenbedarf für die vollständige Feinabstimmung der Parameter, was den Anwendungsbereich teilweise einschränkt. .