Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Vergleich von Retrieval, Augmented Generation und Feinabstimmung
<a name="rag-vs-fine-tuning"></a>

In der folgenden Tabelle werden die Vor- und Nachteile der Feinabstimmungs- und RAG-basierten Ansätze beschrieben.


****  

| Ansatz | Vorteile | Nachteile | 
| --- | --- | --- | 
| Feinabstimmung | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | 
| RAG | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | 

Wenn Sie eine Lösung zur Beantwortung von Fragen entwickeln müssen, die auf Ihre benutzerdefinierten Dokumente verweist, empfehlen wir Ihnen, von einem RAG-basierten Ansatz auszugehen. Verwenden Sie die Feinabstimmung, wenn Sie das Modell für zusätzliche Aufgaben, wie z. B. die Zusammenfassung, benötigen.

Sie können die Feinabstimmungs- und RAG-Ansätze in einem einzigen Modell kombinieren. In diesem Fall ändert sich die RAG-Architektur nicht, aber das LLM, das die Antwort generiert, wird ebenfalls an die benutzerdefinierten Dokumente angepasst. Dies kombiniert das Beste aus beiden Welten und könnte eine optimale Lösung für Ihren Anwendungsfall sein. Weitere Informationen zur Kombination von überwachter Feinabstimmung mit RAG finden Sie in der Studie [RAFT: Adapting Language Model to Domain Specific RAG](https://arxiv.org/pdf/2403.10131) von derUniversity of California, Berkeley.