اختبار مرتبط بالدليل · متوسط المستوى

إليوثيرAI مسابقة

مراجعة نماذج EleutherAI المفتوحة، ومجموعة بيانات Pile، وأدوات التقييم، والاختيارات العملية للهيكل مثل RoPE.

مسارات الدليل ذات الصلةإليوثيراي
سؤال 1 من 8

How did EleutherAI first bring together its research community?

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

  1. How did EleutherAI first bring together its research community?
    • As a Discord server for discussing GPT-3 and open language modeling
    • كشركة ناشئة ممولة من المشروع في وادي السيليكون
    • كمختبر أبحاث حكومي
    • As a university’s official AI department
  2. ما هو "الكومة"؟
    • منتج chatbot خاص
    • مجموعة بيانات نصية مفتوحة منسقة بسعة 825 جيجابايت لنماذج اللغة التدريبية
    • نوع من طبقة الشبكة العصبية
    • منصة الحوسبة السحابية EleutherAI
  3. أي مما يلي يعد نموذجًا للغة EleutherAI؟
    • بيرت-كبير
    • لاما-2
    • جي بي تي-نيوإكس-20بي
    • بالم
  4. ما هو استخدام أداة تقييم LM؟
    • توليد الصور من النص
    • ضغط أوزان النماذج
    • استضافة النماذج كواجهات برمجة تطبيقات الويب
    • قياس نماذج اللغة عبر العديد من المهام
  5. Which organizations are named in EleutherAI’s retrospective as research supporters?
    • CoreWeave and Google TPU Research Cloud
    • Nvidia and the National Science Foundation only
    • The U.S. Department of Energy and NASA
    • Amazon and the European Space Agency
  6. ما هو التغيير التنظيمي الذي قامت به EleutherAI في عام 2023؟
    • تم الحصول عليها بواسطة OpenAI
    • تم إضفاء الطابع الرسمي عليه كمعهد أبحاث غير ربحي
    • لقد أصبح صندوق تحوط هادف للربح
    • لقد أغلقت بالكامل
  7. Which positional method does the GPT-NeoX-20B paper describe using instead of learned absolute position embeddings?
    • A separate learned embedding for every document
    • A convolutional image-position map
    • Rotary Positional Embeddings (RoPE)
    • A random position permutation at each layer
  8. What architectural arrangement is highlighted as a GPT-NeoX-20B difference from GPT-3?
    • The model replaces its Transformer with a decision tree
    • Every layer removes the attention mechanism
    • It uses only an encoder and no autoregressive decoder
    • Attention and feed-forward layers can be computed in parallel