Тест, свързан с ръководство · Среден Ниво

Perplexity и тест за езикови показатели

Преглед на вероятността за референтен токен, кръстосана ентропия, еднакви базови линии, сравнима токенизация, BLEU, ограничения на качеството, контекстни прозорци и маскирани модели.

Свързани ръководни пътекиPerplexity И езикови показатели
Въпрос 1 на 8

Under the same autoregressive text-scoring setup, what does lower perplexity indicate?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
    • Lower average negative log-likelihood for the reference tokens
    • A guarantee of more factually correct generated answers
    • A guarantee of a larger parameter count
    • A requirement that every top-choice prediction be correct
  2. Using natural-log negative log-likelihood, how is autoregressive perplexity computed from its average?
    • By multiplying the parameter count by the context length
    • By subtracting the average from the number of attention heads
    • By taking the average learning rate
    • By exponentiating the average negative log-likelihood
  3. Един модел задава еднаква вероятност за речник от 10 000 думи без обучение. Какво е недоумението му?
    • 1
    • 10 000
    • 0
    • 100
  4. Why do tokenizer and corpus settings matter when directly comparing per-token perplexity values?
    • Perplexity ignores every scored reference token
    • All corpora necessarily produce the same likelihood
    • They change the units or reference data over which probabilities are averaged
    • Only model parameter count determines the score
  5. Which translation-reference metric uses modified n-gram precision and a brevity penalty?
    • Perplexity
    • Средноквадратична пикселна грешка
    • Брой параметри на модела
    • BLEU
  6. Какво ключово ограничение тласка изследователите отвъд объркването при преценката на качеството в реалния свят?
    • Perplexity измерва предвиждането на следващата дума, а не дали резултатът е полезен, верен или полезен
    • Perplexity е твърде скъпо за изчисляване
    • Perplexity не може да се изчисли върху текстови данни
    • Perplexity работи само по време на извод, не и при обучение
  7. When scoring a long text with a fixed-context model, what can a sliding-window procedure provide that disjoint chunks lose near boundaries?
    • A new vocabulary learned automatically at every boundary
    • A guarantee that generated answers are factually correct
    • More preceding context for the scored target tokens
    • A requirement to count each overlapping target repeatedly
  8. Why is conventional left-to-right perplexity not directly the same score for a BERT-style masked language model?
    • BERT has no learned parameters
    • The masked model does not directly define the same autoregressive sequence factorization
    • Every masked-token probability is necessarily zero
    • Perplexity is defined only for image pixels