Тест, свързан с ръководство · трудно Ниво

Тест за вектори на функции и представяне на задачи

Проучете как функционалните вектори се извличат от главите на вниманието, инжектират се в скрити състояния и се тестват в контекста на задачите.

Свързани ръководни пътекиФункционални вектори и представяне на задачи
Въпрос 1 на 8

What does a function vector represent in the studied language models?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. What does a function vector represent in the studied language models?
    • A compact activation-space representation associated with a demonstrated task
    • The model’s full weight matrix
    • A single token embedding in every setting
    • The optimizer’s learning rate
  2. Как обикновено се конструира функционален вектор?
    • Чрез сумиране на всички вградени думи в речника
    • Чрез осредняване на изходите от конкретни задачи, носещи вниманието, спрямо примерни подкани
    • Чрез фина настройка на модела на един пример
    • Чрез четене на окончателните softmax вероятности
  3. What did the function-vector paper observe after injecting a vector into a zero-shot prompt?
    • The model always crashed
    • It guaranteed correct answers on any task
    • It could trigger the associated task in the tested settings
    • It permanently changed the model weights
  4. Коя техника за анализ е в основата на намирането на главите, които носят функционален вектор?
    • Градиентно спускане на загубата
    • Търсене по лъч
    • Регулиране на отпадането
    • Причинно-следствен анализ на медиацията
  5. What do function-vector experiments provide evidence for?
    • Some models form reusable internal representations associated with tasks
    • All language models only memorize text
    • Every model has one universal task vector
    • Tokenization alone determines every behavior
  6. Why are function vectors interesting to steering research?
    • They guarantee safe or correct behavior
    • They provide an activation-level intervention that can influence task behavior in tested settings
    • They eliminate prompts for every application
    • They make all model decisions fully transparent
  7. At what part of the transformer did the paper report strong function-vector effects?
    • Only the input embedding table
    • Only the final output logits
    • Middle layers in the tested models
    • Речникът на токенизатора
  8. What happened when researchers summed some function vectors?
    • The vectors always canceled to zero
    • The model’s weights were permanently updated
    • Every possible task was composed perfectly
    • Some combinations triggered new complex tasks in the tested experiments