Тест, свързан с ръководство · Среден Ниво

Тест за модели на награди за процеси

Точкуване на ниво стъпка на моделите за възнаграждение на тестовия процес, човешки и автоматични етикети, прекласиране на решения, дървовидно търсене и локализиране на грешки.

Свързани ръководни пътекиПроцесни модели за възнаграждение
Въпрос 1 на 8

Какво основно отличава модела на възнаграждение за процес от модела за възнаграждение за резултат?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво основно отличава модела на възнаграждение за процес от модела за възнаграждение за резултат?
    • Той оценява всяка междинна стъпка на разсъждение, а не само окончателния отговор
    • Работи по-бързо по време на извод
    • Не изисква данни за обучение
    • Работи само при входове на изображения
  2. Кой добре познат набор от данни за математически етикети на ниво човешки стъпки е свързан с PRM изследвания?
    • ImageNet
    • PRM800K
    • СКВАД
    • WikiText
  3. Защо сигналът за награда само за резултат може да бъде подвеждащ?
    • Окончателните отговори никога не са верни
    • Моделите на резултатите не могат да четат текст
    • Правилен окончателен отговор може да бъде резултат от погрешни разсъждения или грешен отговор от предимно правилни разсъждения
    • Винаги превишава граматиката
  4. Често срещан начин за превръщане на резултатите на стъпка в резултат с една верига е да:
    • Добавете произволно число към всяка стъпка
    • Игнорирайте всичко освен първата стъпка
    • Използвайте само броя на символите
    • Вземете минималната вероятност за стъпка по веригата
  5. Какво използва подходът Math-Shepherd за автоматично етикетиране на стъпки?
    • Монте Карло разгръщане, оценяващо колко често една стъпка води до правилен отговор
    • Ръчен експертен преглед на всяка стъпка
    • Превод на стъпки на друг език
    • Преброяване на препинателните знаци
  6. Кой риск е особено важен при обучение на модели срещу лица с ограничена подвижност?
    • Моделът забравя как да чете
    • Хакване на награди, при което стъпките изглеждат добре за PRM, без да са истински правилни
    • PRM не консумира изчисления
    • Стъпките стават невъзможни за генериране
  7. How can a process reward model guide a tree search over reasoning?
    • Expand every branch equally without scoring
    • Choose branches by their final token length
    • Prioritize expanding partial solutions whose intermediate steps receive stronger scores
    • Replace all branches with one randomly selected answer
  8. What does the PRM800K dataset contain?
    • Only final answer labels for image captions
    • Audio recordings of spoken explanations
    • A corpus of code commits with no reasoning labels
    • Human labels for intermediate steps in mathematical reasoning solutions