الإشراف على عملية اختبار المنطق الرياضي

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. لماذا يمكن أن يكون الإشراف على النتائج فقط مضللاً في مسائل الرياضيات؟
   • إنه بطيء جدًا في الحساب
   • لا يمكنه التعامل مع الكسور العشرية
   • فهو يتطلب طلاب الصف البشري لكل مشكلة
   • يمكن للنموذج أن يصل إلى الإجابة الصحيحة من خلال خطوات معيبة يتم إلغاؤها
3. ما الذي أصدرته OpenAI جنبًا إلى جنب مع عمل "دعونا نتحقق خطوة بخطوة"؟
   • PRM800K، مجموعة بيانات تضم حوالي 800000 ملصق على مستوى الخطوة
   • بنية GPU جديدة
   • مجموعة اختبار GSM8K
   • محرك الشطرنج
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. ما هو النهج الذي يقلل من الحاجة إلى ملصقات خطوة بشرية باهظة الثمن؟
   • تعطيل نموذج المكافأة بالكامل
   • عمليات طرح مونت كارلو التي تقدر قيمة كل خطوة تلقائيًا (على سبيل المثال، Math-Shepherd)
   • باستخدام الإجابة النهائية فقط
   • التدريب على المزيد من اللغات
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0.8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label