Тест, свързан с ръководство · трудно Ниво

Mirostat Perplexity Контролен тест

Покрива целевата изненада/объркване на Mirostat, прага на обратната връзка, скоростта на актуализиране, разликите във версиите и ограниченията като евристика за декодиране.

Свързани ръководни пътекиMirostat Perplexity Контрол
Въпрос 1 на 8

What does Mirostat try to control during generation?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. What does Mirostat try to control during generation?
    • A target level of output perplexity or surprise
    • Броят на параметрите на модела
    • The training dataset size
    • Температурата на GPU
  2. Как Mirostat е фундаментално различен от стандартното топ-k или top-p вземане на проби?
    • Никога не използва произволност
    • Той динамично регулира отрязването, като използва обратна връзка вместо фиксирано прекъсване
    • Работи само върху изображения
    • Това изисква преквалификация на модела
  3. В Mirostat каква роля играе параметърът eta?
    • Той задава размера на речника
    • Той фиксира изходната дължина
    • Това е скоростта на обучение, която контролира колко бързо се адаптира прагът
    • Деактивира вземането на проби
  4. Какво е основното подобрение на Mirostat версия 2 спрямо версия 1?
    • Той също генерира изображения
    • Изисква повече памет
    • Той премахва параметъра tau
    • Той отхвърля предположението за Zipfian разпределение за по-опростен и по-стабилен контрол
  5. Ако Mirostat открие, че продукцията става твърде предвидима, той ще:
    • Разхлабете отрязването, за да допускате повече разнообразни токени
    • Затегнете отрязването, за да позволите по-малко токени
    • Спрете генерирането веднага
    • Увеличете размера на модела
  6. Which Mirostat settings does current llama.cpp expose?
    • Tokenizer vocabulary and number of layers
    • Mode, target tau, and learning-rate eta
    • Only the prompt length
    • Training epochs and validation loss
  7. What does eta control in Mirostat’s feedback update?
    • The size of the model vocabulary
    • The target number of output tokens
    • How strongly the threshold changes in response to the observed error
    • The probability of a correct factual answer
  8. What does a Mirostat target not guarantee by itself?
    • That the sampler reads token probabilities
    • That the setting can influence surprise
    • That the output contains tokens
    • That the generated text is factually correct