Надзор на процеса за тест за разсъждение по математика

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. Защо наблюдението само на резултатите може да бъде подвеждащо за математически проблеми?
   • Прекалено бавен е за изчисляване
   • Не може да обработва десетични знаци
   • За всеки проблем са нужни човешки оценяващи
   • Един модел може да достигне до правилния отговор чрез погрешни стъпки, които се анулират
3. Какво пусна OpenAI заедно с работата на „Нека да проверим стъпка по стъпка“?
   • PRM800K, набор от данни от ~800 000 етикета на ниво стъпка
   • Нова GPU архитектура
   • Тестовият комплект GSM8K
   • Шахматен двигател
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. Какъв подход намалява необходимостта от скъпи етикети за човешки стъпки?
   • Изцяло деактивиране на модела на възнаграждение
   • Монте Карло внедрявания, които автоматично оценяват стойността на всяка стъпка (напр. Math-Shepherd)
   • Използване само на крайния отговор
   • Обучение по повече езици
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0.8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label