الروتاري موقف التضمين مسابقة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. كيف يقوم RoPE بحقن معلومات الموقع في المحول؟
   • من خلال تدوير أزواج الأبعاد في الاستعلام والمتجهات الرئيسية بزاوية تعتمد على الموضع
   • عن طريق إضافة ناقل ثابت إلى تضمينات الإدخال
   • عن طريق إعادة ترتيب الرموز بشكل عشوائي
   • عن طريق إلحاق رقم الموقف كنص
2. بعد تطبيق RoPE، تعتمد درجة الانتباه بين رمزين مميزين بشكل أساسي على:
   • مواقفهم المطلقة فقط
   • المسافة النسبية (م ناقص ن)
   • حجم المفردات
   • حجم الدفعة
3. What training-efficiency comparison did the YaRN paper report for context extension?
   • Exactly the same data and steps as all prior methods
   • No fine-tuning or training data of any kind
   • About 10x fewer tokens and 2.5x fewer training steps than prior methods
   • A fixed 100x increase in output tokens
4. لماذا تدور أزواج الأبعاد المختلفة بترددات مختلفة في RoPE؟
   • لحفظ الذاكرة عن طريق تخطي بعض الأبعاد
   • لتوزيع مخرجات النموذج بطريقة عشوائية
   • لأن جميع الأزواج يجب أن تستخدم نفس الزاوية
   • لالتقاط كل من النظام المحلي الجيد والموقع بعيد المدى
5. What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
   • Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
   • Guarantee accurate recall at any sequence length with no evaluation
   • Remove position information from attention
   • Replace all token embeddings with absolute learned vectors
6. Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
   • Yes; it adds one learned vector for every possible sequence position
   • No; it applies position-dependent rotations to paired query/key dimensions
   • It removes query and key vectors entirely
   • It only adds position to value vectors
7. What does standard RoPE alone guarantee about a model’s context length?
   • Unlimited accurate context at every position
   • A fixed context of exactly 128 tokens
   • It does not by itself guarantee reliable use beyond the trained context length
   • Removal of the attention mechanism
8. What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
   • Exactly 1,000 tokens with no position changes
   • Unlimited context with no fine-tuning
   • Up to 2 million tokens for all models
   • Up to 32,768 tokens with minimal fine-tuning