Тест, свързан с ръководство · трудно Ниво

Тест за декодиране на минималния риск на Бейс

Тества очакваната полезност, извадкови псевдореференции, квадратични сравнения на кандидати, граници на показатели и ограничения на набора от кандидати на MBR декодиране.

Свързани ръководни пътекиДекодиране на минимален риск на Бейс
Въпрос 1 на 8

Какво избира MBR декодирането вместо единствената най-вероятна последователност?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво избира MBR декодирането вместо единствената най-вероятна последователност?
    • Кандидатът с най-висока очаквана полезност спрямо други вероятни резултати
    • Най-кратката последователност
    • Случайна извадка
    • Най-дългата последователност
  2. Тъй като истинските препратки не са налични, какво използва MBR като псевдореференции?
    • Фиксиран външен корпус
    • Сборът от самите избрани кандидат-изходи
    • Човешки анотации
    • Тренировъчният комплект
  3. Защо наивният MBR е скъп от изчислителна гледна точка?
    • Това изисква преквалификация на модела
    • Има нужда от по-голям речников запас
    • Сравнението по двойки на N кандидати е O(N на квадрат) извиквания на метрика
    • Не използва GPU
  4. За какво е използвана COMET в експерименти за машинен превод с минимален риск на Бейс?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. Самостоятелната последователност в разсъжденията е свързана с MBR, защото:
    • Изпробва много вериги и избира най-съгласувания отговор
    • Винаги взема първия примерен отговор
    • Използва вътрешно търсене по лъч
    • Игнорира разпределението на модела
  6. Как обикновено се изразява рискът в вземането на решения за минимален риск на Бейс?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool