Тест за декодиране на Lookahead

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво отличава декодирането с поглед напред от стандартното спекулативно декодиране?
   • Изисква два отделно обучени модела
   • Той не използва отделен чернови модел — само самия целеви модел
   • Работи само за задачи за превод
   • Той постоянно квантува модела
2. Кой числен метод е в основата на предстоящото декодиране?
   • Градиентно спускане
   • Преобразуване на Фурие
   • K-означава групиране
   • Итерация на Якоби (с фиксирана точка).
3. Кои са двата успоредни клона, които вървят на всяка стъпка?
   • Клон за обучение и клон за тестване
   • Енкодер и декодер
   • Клон за предварителен преглед и клон за проверка
   • Чернова на модел и целеви модел
4. Какво се съхранява в „n-gram pool“?
   • Правдоподобни последователности от множество токени, наблюдавани по време на паралелните итерации
   • История на чатовете на потребителя
   • Тегла на модела
   • Маски за внимание
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed