Argumente:

A	Vektor der Länge npars; gibt die berechneten Koeffizienten zurück
Covar	Matrix der Dimensionen [npars, npars]; gibt die Kovarianzen der Koeffizenten zurück
AStatus	Vektor der Länge npars; entscheidet darüber, welche Parameter frei oder eingefroren sind
npars	Gesamtzahl der Parameter
ListOfExperiments	Eingabedaten, siehe Kap. 13.4
nexperiments	Anzahl der Datensätze in ListOfExperiments
modelfunc	Benutzer-definierte Modell-Funktion
derivatives	Benutzer-definierte Funktion, die die partiellen Ableitungen der Modellfunktion nach den einzelnen Parametern berechnet
FitOpts	Zeiger auf eine Struktur mit Fit-Optionen, siehe chap. 13.3
WorkSpace	Zeiger auf eine Struktur mit internen Variablen, siehe chap. 13.3

 
Die Modell-Funktion (und damit der Parameter-Vektor) kann mehr Parameter enthalten als tatsächlich angepasst werden sollen. Daher muss ein zusätzlicher Vektor AStatus die Information darüber enthalten, welche Parameter bei ihren Eingabe-Werten eingefroren bleiben sollen (AStatus[i] = 0) und welche anzupassen sind (AStatus[i] = 1). Alle Parameter (nicht nur die eingefrorenen!) müssen in A vor dem Aufruf von VF_multiNonlinfit initialisiert sein. npars bezeichnet die Gesamtzahl der Parameter in A (also nicht nur die freien Parameter!).

Die Eingabe-Daten müssen in Sätzen des Typs MF_EXPERIMENT zusammengefaßt werden. Angenommen, man habe zwei X-Y-Z-Datensätze, jeweils bestehend aus den Vektoren X und Y für die unabhängigen Variablen, die Matrix Z für die z=f(x, y)-Werte und, für MF_multiLinfitwW, die Einzelpunkt-Wichtungen in MInvVar. Hieraus hat man die Experimenten-Liste zusammenzustellen wie im folgenden Beispiel:

Die Modell-Funktion "funcs" ist vom Anwender zu schreiben. Sie hat für gegebene X-Y-Vektorpaare die entsprechenden theoretischen MZ-Werte zu berechnen.
In C/C++ muss sie wie folgt geschrieben werden:
 

Das Argument iexperiment, mit dem MyFunc intern von MF_multiNonlinfit aus aufgerufen werden wird, erlaubt die Unterscheidung zwischen Parametern, die allen Experimenten gemeinsam sind, und solchen, die individuell zu den einzelnen Experimenten gehören. Z.B. könnten die MZ-Werte mit einen für jedes Experiment verschiedenen Wert C skaliert sein. In diesem Falle muss A so viele Skalierungs-Faktoren enthalten, wie es Experimente gibt. In MyFunc hätte man dies in der folgenden Weise zu berücksichtigen:
  if( iexperiment == 0 ) MZ[i][j] *= A[5];  else MZ[i][j] *= A[6];

Zusätzlich zu der Modell-Funktion benötigt MF_multiNonlinfit die partiellen Ableitungen von MZ nach allen Parametern A[ipar] entsprechend dem gewählten Modell. Falls sie zumindest zum Teil analytisch bekannt sind, solte man eine Funktion MyDerivs schreiben. Dabei können diejenigen partiellen Ableitungen, die man doch nicht kennt, durch Aufruf von MF_multiNonlinfit_autoDeriv numerisch berechnet werden.

Das Argument iexperiment, mit dem MyFunc intern von MF_multiNonlinfit aus aufgerufen werden wird, erlaubt die Unterscheidung zwischen Parametern, die allen Experimenten gemeinsam sind, und solchen, die individuell zu den einzelnen Experimenten gehören. Z.B. könnten die MZ-Werte mit einen für jedes Experiment verschiedenen Wert C skaliert sein. In diesem Falle muss A so viele Skalierungs-Faktoren enthalten, wie es Experimente gibt. In MyFunc hätte man dies in der folgenden Weise zu berücksichtigen:
  if iexperiment = 0 then
         MF_Pelement(MZ, htZ, lenZ, i, j)^ :=
         MF_element(MZ, htZ, lenZ, i, j) * VF_element(A,5)
  else MF_Pelement(MZ, htZ, lenZ, i, j)^ :=
         MF_element(MZ, htZ, lenZ, i, j) * VF_element(A,6);

Zusätzlich zu der Modell-Funktion benötigt MF_multiNonlinfit die partiellen Ableitungen von MZ nach allen Parametern A[ipar] entsprechend dem gewählten Modell. Falls sie zumindest zum Teil analytisch bekannt sind, solte man eine Funktion MyDerivs schreiben. Dabei können diejenigen partiellen Ableitungen, die man doch nicht kennt, durch Aufruf von MF_multiNonlinfit_autoDeriv numerisch berechnet werden.

In der gewichteten Variante MF_multiNonlinfitwW muss die Matrix ExpList[i].MInvVar jedes Experimentes den Kehrwert der Varianzen der einzelnen X-Y-Z-Datenpunkte enthalten, und die Matrix MCovar gibt die Kovarianzen der Parameter a_i zurück: MCovar_i,j = covariance( a_i, a_j ).
 

Diese Funktionen dürfen nicht aufgerufen werden, wenn die FPU auf reduzierte Genauigkeit geschaltet wurde. Andernfalls können sie in einer unendlichen Schleife hängenbleiben, siehe V_setFPAccuracy.