قوانين التوسع في مسابقة الشبكات العصبية

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. ما هي الكميات الثلاثة التي تتعلق قوانين القياس الأصلية بالخسارة؟
   • حجم الدفعة، والتسرب، والعصور
   • معلمات النموذج وحجم مجموعة البيانات والحساب
   • معدل التعلم، وتسوس الوزن، والعمق
   • عدد GPU والذاكرة والكمون
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • It eliminates the need for validation
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. ماذا يمثل المصطلح الثابت (غير القابل للاختزال) في صيغة خسارة قانون القياس؟
   • خطأ برمجي
   • معدل التعلم
   • عدد وحدات معالجة الرسومات
   • الإنتروبيا الجوهرية للبيانات التي لا يمكن لأي نموذج التغلب عليها
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. ما هو الاتجاه الذي يدفع المجال إلى ما هو أبعد من القياس البسيط "الأكبر هو الأفضل"؟
   • أصبحت وحدات معالجة الرسومات مجانية
   • ندرة البيانات عالية الجودة بالإضافة إلى حدود الطاقة والتكلفة
   • ظهور نص غير محدود عالي الجودة
   • تتحول منحنيات الخسارة إلى خطوط عمودية مستقيمة
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence