বিম অনুসন্ধান কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. মরীচি অনুসন্ধানে 'বিমের প্রস্থ' (কে) কী নিয়ন্ত্রণ করে?
   • প্রতিটি ডিকোডিং ধাপে কতগুলি আংশিক প্রার্থী ক্রম রাখা হয়
   • উৎপন্ন অনুক্রমের সর্বোচ্চ দৈর্ঘ্য
   • সম্ভাব্যতার উপর প্রয়োগ করা তাপমাত্রা
   • মডেলের শব্দভান্ডারের আকার
2. কিভাবে মরীচি অনুসন্ধান লোভী ডিকোডিং থেকে পৃথক?
   • এটি সর্বদা একক সর্বোচ্চ-সম্ভাব্যতা টোকেন বেছে নেয়
   • এটি একাধিক উচ্চ-স্কোরিং আংশিক ক্রম একটি প্রতিশ্রুতিবদ্ধ করার পরিবর্তে রাখে
   • এটা এলোমেলোভাবে টোকেন নমুনা
   • এটি টোকেন সম্ভাব্যতা সম্পূর্ণরূপে উপেক্ষা করে
3. কেন দৈর্ঘ্য স্বাভাবিককরণ সাধারণত মরীচি অনুসন্ধানে প্রয়োগ করা হয়?
   • প্রজন্মকে দ্রুত করতে
   • শব্দভান্ডার আকার বৃদ্ধি
   • কারণ সংক্ষিপ্ত লগ-সম্ভাব্যতা ছোট ক্রমগুলির দিকে স্কোরকে পক্ষপাতদুষ্ট করে
   • আউটপুটগুলিতে এলোমেলোতা যোগ করতে
4. কোন কাজের জন্য মরীচি অনুসন্ধান বিশেষভাবে উপযুক্ত?
   • খোলামেলা সৃজনশীল গল্প বলা
   • সর্বাধিক বৈচিত্র্যময় এলোমেলো পাঠ্য তৈরি করা হচ্ছে
   • অপ্রত্যাশিত কবিতা তৈরি করা
   • মেশিন অনুবাদ, যেখানে একটি বিশ্বস্ত উচ্চ-সম্ভাব্য আউটপুট কাঙ্ক্ষিত
5. ওপেন-এন্ডেড প্রজন্মের জন্য একটি খুব বড় মরীচি প্রস্থ ব্যবহার করার একটি পরিচিত খারাপ দিক কী?
   • এটি ব্লান্ডার, পুনরাবৃত্তিমূলক বা অধঃপতিত পাঠ্য তৈরি করতে পারে
   • এটা সবচেয়ে সৃজনশীল আউটপুট গ্যারান্টি
   • এটি কোনো সম্ভাব্যতা মডেলের প্রয়োজনীয়তা দূর করে
   • এটি মডেলটিকে ইনপুট উপেক্ষা করে
6. প্রতিটি ধাপে, বীম অনুসন্ধান কীভাবে সিদ্ধান্ত নেয় কোন প্রার্থীদের রাখা হবে?
   • টোকেনের বর্ণানুক্রমিক ক্রম অনুসারে
   • ক্রমবর্ধমান স্কোর দ্বারা (লগ-সম্ভাবনার যোগফল), শীর্ষ k রাখা
   • দীর্ঘতম প্রার্থীদের বাছাই করে
   • সব প্রার্থীদের মধ্যে র্যান্ডম নির্বাচন দ্বারা
7. What problem does GNMT’s coverage penalty aim to reduce in translation?
   • Repeatedly encoding the same source vocabulary
   • The use of subword units
   • Output translations that fail to cover source words
   • The number of encoder layers
8. What does diverse beam search modify to encourage different candidate outputs?
   • It replaces the model probabilities with uniform random scores
   • It removes all but one candidate at the first step
   • It changes the training tokenizer after decoding
   • It penalizes similarity or overlap among candidates in different beam groups