# Refinamiento supervisado (SFT)
<a name="nova-fine-tune"></a>

El proceso de entrenamiento SFT consta de dos pasos principales:
+ **Preparación de datos**: siga las pautas establecidas para crear, limpiar o reformatear conjuntos de datos para adaptarlos a la estructura requerida. Asegúrese de que las entradas, las salidas y la información auxiliar (como las pistas de razonamiento o los metadatos) estén adaptadas y formateadas correctamente.
+ **Configuración del entrenamiento**: defina cómo se entrenará el modelo. Cuando se usa Amazon SageMaker HyperPod, esta configuración se escribe en un archivo de fórmulas YAML que incluye:
  + Rutas de orígenes de datos (conjuntos de datos de entrenamiento y validación)
  + Hiperparámetros clave (épocas, ritmo de aprendizaje, tamaño del lote)
  + Componentes opcionales (parámetros de entrenamiento distribuidos, etc.)

## Comparación y selección de modelos de Nova
<a name="nova-model-comparison"></a>

Amazon Nova 2.0 es un modelo entrenado en un conjunto de datos más amplio y diverso que Amazon Nova 1.0. Entre las características clave se incluyen las siguientes:
+ **Capacidades de razonamiento mejoradas** que admiten el modo de razonamiento explícito
+ **Rendimiento multilingüe más amplio** en varios otros idiomas
+ **Rendimiento mejorado en tareas complejas**, como la codificación y el uso de herramientas
+ **Gestión ampliada del contexto** con mayor precisión y estabilidad en contextos más largos

## Cuándo usar Nova 1.0 en lugar de Nova 2.0
<a name="nova-model-selection"></a>

Elija Amazon Nova 1.0 en las siguientes situaciones:
+ El caso de uso requiere una comprensión del lenguaje estándar sin un razonamiento avanzado.
+ El rendimiento ya se ha validado en Amazon Nova 1.0 y no se necesitan capacidades adicionales.