Le réglage complet des paramètres est une technique d'optimisation de modèle dans l'apprentissage profond, particulièrement utilisée dans les scénarios d'apprentissage par transfert ou d'adaptation de domaine. Il s’agit d’affiner tous les paramètres d’un modèle pré-entraîné pour l’adapter à une tâche ou à un ensemble de données spécifique. Cette technique permet d'optimiser le modèle pour une tâche spécifique tout en conservant les connaissances pré-entraînées, mais nécessite en conséquence davantage de ressources informatiques. Il s'agit d'un paradigme courant pour les modèles de langage pré-entraînés (PLM) dans le traitement du langage naturel (NLP), qui implique d'affiner tous les paramètres du modèle à l'aide de données étiquetées de tâches en aval pour s'adapter à des tâches spécifiques. Bien que cette méthode puisse améliorer les performances, elle s’accompagne également d’une consommation énorme de ressources de calcul et de stockage. À mesure que la taille du modèle augmente, les besoins en ressources pour le réglage fin complet des paramètres augmentent également en conséquence, ce qui limite dans une certaine mesure son champ d'application. .