Индукционни глави в Transformers Quiz

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво правило по същество изпълнява индукционната глава?
   • Предскажете най-честата лексема в езика
   • Винаги копирайте предишния токен непроменен
   • Произволно разбъркване на контекстните жетони
   • Вижте [A][B] по-рано, след това на [A] отново предскажете [B]
2. What capability was linked to induction-head behavior in the cited 2022 study?
   • In-context learning in the examined models, with broader large-model claims framed as hypotheses
   • A proof that every form of reasoning uses only one identical circuit
   • Changing the tokenizer vocabulary during every prompt
   • Permanent weight updates whenever a repeated token appears
3. Каква роля играе "главата на предишния жетон" в индукционната верига?
   • Той генерира крайния softmax
   • Той премахва информацията за позицията
   • Той копира информацията за предшественика на всеки токен напред, така че да може да се случи съвпадение
   • Нормализира теглото на вниманието
4. Колко глави за внимание обикновено участват в каноничната индукционна верига?
   • Точно един
   • Две, съставени на слоеве
   • Стотици в един слой
   • нула; той е само за предаване напред
5. What training relationship did the induction-head study report in the models it examined?
   • Head formation coincided with changes in loss behavior and increased in-context learning
   • All heads were fully formed before any training
   • Induction behavior could only appear after every parameter was frozen forever
   • The same exact training transition must occur in every future model
6. С коя задача би се справила най-директно една индукционна глава?
   • Изчисляване на числен градиент
   • Компресиране на тежестите на модела
   • Шифроване на подканата за въвеждане
   • Повтаряне на последователност чрез копиране на това, което следва по-ранни съответстващи токени
7. What roles do query-key matching and the output-value path play in the canonical induction circuit?
   • Query-key computations generate the final text filename; output-value computations train the tokenizer
   • Query-key computations select the matching context position; output-value computations promote the token information there
   • Both paths only count the total number of context words
   • The output-value path selects a position without any attention pattern
8. Does a demonstrated two-head induction circuit prove that every large-model in-context task uses that mechanism alone?
   • Yes; every architecture and prompt has already been causally tested
   • Yes; no other network computation can influence a prediction
   • No; the wider explanation remains a hypothesis needing model- and task-specific evidence
   • Only the number of parameters determines whether the proof is universal