No ajuste fino de modelos de linguagem, a técnica LoRA permite incorporar conhecimento paramétrico sem alterar todos os pesos do modelo base. A atualização dos parâmetros é fatorada em duas matrizes de rank baixo, reduzindo drasticamente a quantidade de pesos treináveis em comparação ao treinamento completo. Ao implementar LoRA em um projeto, avalie as afirmações a seguir e a relação proposta entre elas. I - A redução de memória no LoRA decorre da fatoração que limita graus de liberdade treináveis ao rank escolhido. PORQUE II - O rank determina a dimensionalidade intrínseca da atualização, controlando diretamente a quantidade de parâmetros inseridos no adaptador. A respeito dessas asserções, assinale a opção correta. Grupo de escolhas da pergunta As asserções I e II são proposições falsas. A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. No answer text provided. As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. As asserções I e II