Тест за температура и вземане на проби

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво прави повишаването на температурата на изхода на модела?
   • Прави го по-детерминистично и повтарящо се
   • Постоянно променя теглата на модела
   • Деактивира функцията softmax
   • Прави го по-случаен и разнообразен, с повече шансове за необичайни жетони
2. Преди вземане на извадка, необработените токен резултати (логици) на модела се превръщат във вероятности чрез:
   • Филтърът top-k
   • Функцията softmax
   • Обратно разпространение
   • Токенизаторът
3. What determines the candidate set in top-p sampling, compared with top-k?
   • Top-p always keeps exactly ten tokens
   • Both methods always keep every vocabulary token
   • Top-p uses the smallest leading set reaching a cumulative probability threshold; top-k uses a count
   • Top-k uses a cumulative threshold while top-p uses a fixed count
4. Механично, какво всъщност прави температурата с логитите?
   • Разделя всеки logit на T преди softmax
   • Добавя произволно число към всеки logit
   • Изтрива най-ниските логити
   • Умножава крайните вероятности по T
5. For a structured-data task, what does choosing more predictable token selection fail to establish?
   • That a decoding setting was chosen
   • That the generated content is correct or valid
   • That token scores can be compared
   • That a model can produce an output
6. How does greedy decoding choose the next token?
   • It literally divides every logit by zero
   • It uniformly samples every vocabulary token
   • It permanently retrains the model
   • It selects a highest-scoring eligible token rather than sampling
7. Two token logits differ by six before temperature scaling. With positive temperature two, what is their scaled difference?
   • три
   • Twelve
   • Шест
   • Нула
8. For probabilities 0.55, 0.30, 0.10, and 0.05, how many leading tokens does top-p 0.80 keep?
   • един
   • три
   • две
   • Четири