اختبار مرتبط بالدليل · متوسط المستوى
نموذج دمج مسابقة
اكتشف كيف يمكن الجمع بين نقاط التفتيش النموذجية المتوافقة وموجهات المهام، وما هي طرق الدمج التي تتغير، ولماذا تحتاج كل نتيجة إلى التقييم.
سؤال 1 من 8
ما الذي يجمعه دمج النماذج في المقام الأول؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما الذي يجمعه دمج النماذج في المقام الأول؟
- الأوزان (المعلمات) لنماذج متعددة
- مجموعات البيانات التدريبية لنماذج متعددة
- التنبؤات الناتجة لنماذج متعددة في وقت الاستدلال
- مسرعات الأجهزة المستخدمة للتدريب
- أفضل وصف لـ "ناقل المهمة" هو:
- قائمة المهام التي يمكن للنموذج تنفيذها
- الفرق بين أوزان النموذج المضبوط وأوزان النموذج الأساسي الخاص به
- ناقل لرموز الإدخال لمهمة ما
- التدرج المحسوب خلال خطوة تدريب واحدة
- In the described weight-space merging methods, what can be avoided?
- Evaluation of the merged checkpoint
- Compatibility requirements between model weights
- Additional gradient training and access to the original training data
- Testing the result on intended tasks
- How do TIES-Merging and DARE differ in addressing parameter interference?
- Both use the same sign-voting method and differ only in scale
- DARE uses prompt engineering while TIES retrains on joint data
- Both average model outputs instead of changing weights
- They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
- الشرط الأساسي لدمج النموذجين بنجاح هو أنهما:
- تشترك في نفس البنية وتنحدر عادةً من نموذج أساسي مشترك
- تم تدريبهم على بيانات متطابقة
- احصل على نفس عدد خطوات التدريب بالضبط
- استخدم نفس حجم مفردات الرمز المميز فقط
- In task arithmetic, what do coefficients control when combining task vectors?
- Which tokenizer each checkpoint must use
- How strongly each parameter-change vector contributes to the merged checkpoint
- How many training examples are generated
- Whether an evaluation set is required
- What are the three main stages named by TIES-Merging?
- Tokenize text, infer emotions, and export audio
- Quantize weights, shard GPUs, and route network packets
- Trim small changes, elect a sign direction, then merge aligned parameter updates
- Train a reward model, collect labels, and run PPO
- Why should teams evaluate each task after a model merge?
- Merging guarantees every benchmark improves
- Evaluation is needed only to calculate the file size
- A merged model cannot be run without retraining
- Combining weight updates can create interference or reduce performance on a task