اختبار مرتبط بالدليل · متوسط المستوى
مسابقة شجرة الأفكار
يختبر توليد الأفكار، وتقييم الحالة، والبحث والتراجع، بالإضافة إلى الحدود الخاصة بالمهمة لنتائج المعيار المبلغ عنها.
سؤال 1 من 8
كيف تختلف شجرة الأفكار بشكل أساسي عن سلسلة الأفكار؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- كيف تختلف شجرة الأفكار بشكل أساسي عن سلسلة الأفكار؟
- يستكشف فروعًا متعددة للاستدلال ويمكنه التراجع
- إنه يعيد تدريب النموذج على البيانات الجديدة
- فهو يزيل جميع خطوات التفكير الوسيطة
- إنه يعمل فقط لتوليد الصور
- ما هي المكونات الثلاثة التي تشكل نظام شجرة الأفكار؟
- الرمز المميز والتضمين ووحدة فك التشفير
- مولد الفكر ومقيم الحالة وخوارزمية البحث
- التشفير، ورأس الانتباه، وsoftmax
- وظيفة مجموعة البيانات والمحسن والخسارة
- In the original Tree of Thoughts Game of 24 experiment, what result did breadth-five search report for its selected test set?
- 100% success on every possible puzzle
- 74% for every model and search budget
- 74% success for GPT-4 with ToT, versus 4% for a single chain-of-thought baseline
- 4% for ToT and 74% for chain-of-thought
- كيف يقوم نظام شجرة الأفكار عادة بتقييم الحلول الجزئية؟
- عن طريق الاستعلام عن قاعدة بيانات خارجية
- عن طريق قياس درجة حرارة GPU
- من خلال حساب عدد الرموز المستخدمة
- من خلال حث النموذج على تقييم الحالات على أنها مؤكدة، أو ربما، أو مستحيلة
- ما هو الصحيح فيما يتعلق بتنفيذ شجرة الأفكار على النموذج الحالي؟
- إنه غلاف للحث والبحث، وليس إعادة التدريب
- يتطلب إعادة تدريب النموذج من الصفر
- يمكن تشغيله فقط على الأجهزة المتخصصة
- يغير أوزان النموذج بشكل دائم
- ما هو الإطار ذي الصلة الذي يسمح لمسارات التفكير بدمج النتائج الوسيطة وإعادة استخدامها؟
- الانحدار الخطي
- الرسم البياني للأفكار
- التطبيع دفعة
- تشذيب عرض الشعاع
- Which components are commonly specified in a Tree of Thoughts setup?
- A new tokenizer, an optimizer, and a training corpus
- A database, a browser, and a GPU driver
- Thought proposals, an intermediate-state evaluator, and a search procedure
- A label encoder, a loss scaler, and a checkpoint
- Why can Tree of Thoughts increase inference cost?
- It always retrains the base model
- It requires a separate model for every token
- It eliminates all model calls after the first thought
- It may generate and evaluate multiple candidate states across search steps