Тест за агрегиране на смес от агенти

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. В Mixture-of-Agents каква е ролята на модела на агрегатора?
   • За синтезиране на отговорите на предлагащите модели в един подобрен отговор
   • За да изтриете произволно всички чернови освен една
   • За да преведете подканата в код
   • Да обучава предлагащите модели
2. На кое ключово свойство на LLMs разчита документът на MoA?
   • Че LLM не могат да четат изходите на други модели
   • Че LLM дават по-добри отговори, когато показват отговорите на връстниците си („сътрудничество“)
   • Че LLM винаги са съгласни
   • Че по-големите модели са ненужни
3. Как се различава MoA от гласуването с обикновено мнозинство?
   • Избира дословно най-често срещания отговор
   • Използва само един модел
   • Агрегаторът чете всички чернови като контекст и генерира нов синтез
   • Той напълно игнорира вносителите
4. Защо разнообразието сред предлагащите модели е ценно в MoA?
   • Гарантира идентични резултати
   • Той намалява броя на слоевете до нула
   • Това прави всички отговори грешни
   • Различните фамилии модели допринасят с допълнителни силни страни, които агрегаторът може да комбинира
5. Каква е основната практическа цена на подхода MoA?
   • По-висока латентност и изчисление, тъй като всеки слой умножава извикванията на модела
   • Изобщо не изисква заключение
   • Може да изведе само една дума
   • Той изтрива оригиналната подкана
6. Какво докладва документът на MoA за моделите с отворен код на AlpacaEval 2.0?
   • Те не можаха да изпълнят бенчмарка
   • MoA на отворени модели надмина резултата на GPT-4 Omni
   • Отворените модели винаги са отбелязвали нула
   • Тествани са само затворени модели
7. What information is given to an agent in a later Mixture-of-Agents layer?
   • Only the original prompt with all earlier drafts removed
   • Only a majority-vote label
   • The outputs produced by agents in the preceding layer
   • A gradient update from each previous model
8. What is the purpose of placing several proposer models in the first MoA layer?
   • Train a shared base model from scratch
   • Choose one response by majority vote and discard the rest
   • Compress all outputs into a single token
   • Create a set of candidate responses for later agents and the aggregator to use