As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Comparando a geração aumentada de recuperação e o ajuste fino
<a name="rag-vs-fine-tuning"></a>

A tabela a seguir descreve as vantagens e desvantagens das abordagens de ajuste fino e baseadas em RAG.


****  

| Abordagem | Vantagens | Desvantagens | 
| --- | --- | --- | 
| Ajuste fino | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/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/pt_br/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/pt_br/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/pt_br/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | 

Se você precisar criar uma solução de resposta a perguntas que faça referência aos seus documentos personalizados, recomendamos que você comece com uma abordagem baseada em RAG. Use o ajuste fino se precisar que o modelo execute tarefas adicionais, como resumo.

Você pode combinar as abordagens de ajuste fino e RAG em um único modelo. Nesse caso, a arquitetura RAG não muda, mas o LLM que gera a resposta também é ajustado com os documentos personalizados. Isso combina o melhor dos dois mundos e pode ser a solução ideal para seu caso de uso. Para obter mais informações sobre como combinar o ajuste fino supervisionado com o RAG, consulte a pesquisa [RAFT: Adaptando o modelo de linguagem ao RAG específico do domínio](https://arxiv.org/pdf/2403.10131), do. University of California, Berkeley