اختبار مرتبط بالدليل · متوسط المستوى
شعاع مسابقة البحث
اكتشف كيف يحافظ بحث الشعاع على عدة تسلسلات جزئية عالية الدرجات وكيف تشكل عقوبات التسجيل النص الناتج النهائي.
سؤال 1 من 8
ما الذي يتحكم فيه "عرض الشعاع" (k) في بحث الشعاع؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما الذي يتحكم فيه "عرض الشعاع" (k) في بحث الشعاع؟
- ما عدد التسلسلات المرشحة الجزئية التي يتم الاحتفاظ بها في كل خطوة من خطوات فك التشفير
- الحد الأقصى لطول التسلسل الذي تم إنشاؤه
- درجة الحرارة المطبقة على الاحتمالات
- حجم مفردات النموذج
- كيف يختلف بحث الشعاع عن فك التشفير الجشع؟
- فهو دائمًا يختار الرمز المميز ذو الاحتمالية الأعلى
- إنه يحتفظ بتسلسلات جزئية متعددة عالية الدرجات بدلاً من الالتزام بتسلسل واحد
- يقوم بأخذ عينات من الرموز بشكل عشوائي
- إنه يتجاهل احتمالات الرمز المميز تمامًا
- لماذا يتم تطبيق تطبيع الطول بشكل شائع في بحث الشعاع؟
- لجعل الجيل أسرع
- لزيادة حجم المفردات
- لأن جمع احتمالات السجل يؤدي إلى تحيز النتائج نحو تسلسلات أقصر
- لإضافة العشوائية إلى النواتج
- ما هي المهمة التي يناسبها البحث عن الشعاع بشكل خاص؟
- رواية القصص الإبداعية المفتوحة
- توليد نص عشوائي متنوع إلى أقصى حد
- إنتاج شعر لا يمكن التنبؤ به
- الترجمة الآلية، حيث يكون المطلوب الحصول على مخرجات مخلصة عالية الاحتمالية
- ما هو الجانب السلبي المعروف لاستخدام عرض شعاع كبير جدًا للتوليد المفتوح؟
- يمكن أن ينتج نصًا لطيفًا أو متكررًا أو منحطًا
- فهو يضمن المخرجات الأكثر إبداعًا
- إنه يلغي الحاجة إلى أي نموذج احتمالي
- يجعل النموذج يتجاهل المدخلات
- في كل خطوة، كيف يحدد البحث الشعاعي المرشحين الذين يجب الاحتفاظ بهم؟
- حسب الترتيب الأبجدي للرموز
- من خلال النتيجة التراكمية (مجموع احتمالات السجل)، والحفاظ على أعلى ك
- عن طريق اختيار أطول المرشحين
- عن طريق الاختيار العشوائي بين جميع المرشحين
- What problem does GNMT’s coverage penalty aim to reduce in translation?
- Repeatedly encoding the same source vocabulary
- The use of subword units
- Output translations that fail to cover source words
- The number of encoder layers
- What does diverse beam search modify to encourage different candidate outputs?
- It replaces the model probabilities with uniform random scores
- It removes all but one candidate at the first step
- It changes the training tokenizer after decoding
- It penalizes similarity or overlap among candidates in different beam groups