চিনচিলা স্কেলিং আইন ক্যুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. What does Chinchilla's finding that parameters and tokens should scale in similar proportions mean?
   • Both should grow with comparable scaling exponents under the studied training-compute objective
   • The numerical token count must equal the parameter count
   • Training data does not affect the fitted loss
   • Every deployment must choose the largest possible model
2. What token-per-parameter ratio does the 70B-parameter, 1.4T-token Chinchilla experiment illustrate?
   • Exactly one token per parameter
   • About two thousand tokens per parameter
   • About twenty training tokens per parameter
   • A ratio determined only by the number of GPUs
3. চিনচিলা অনেক ছোট হওয়া সত্ত্বেও কোন মডেলকে ছাড়িয়ে গেছে?
   • GPT-2
   • গোফার
   • BERT
   • মাম্বা
4. চিনচিলা সেই সময়ে GPT-3 এর মতো মডেল সম্পর্কে কী বোঝায়?
   • তাদের অতিরিক্ত প্রশিক্ষণ দেওয়া হয়েছিল
   • তারা খুব কম গণনা উপলব্ধ ছিল
   • তারা ভুল টোকেনাইজার ব্যবহার করেছে
   • তারা তাদের আকার আপেক্ষিক undertrained ছিল
5. চিনচিলা বিশ্লেষণে মোটামুটিভাবে কীভাবে গণনা করা হয়েছিল?
   • শুধুমাত্র GPU সংখ্যার সমানুপাতিক
   • ডেটা আকারের থেকে স্বাধীন
   • পরামিতি সময় প্রশিক্ষণ টোকেন সমানুপাতিক
   • শব্দভান্ডার আকারের সমানুপাতিক
6. Why might a deployment objective favor a smaller model trained on extra data rather than the training-compute optimum alone?
   • Repeated inference costs can matter alongside the initial training budget
   • Inference has no resource cost for any model
   • The Chinchilla study proved every scaling relationship false
   • More data always reduces both training and serving work to zero
7. Under the approximation that training compute is proportional to N times D, how must D change if N doubles while that compute budget stays fixed?
   • D must also double
   • D must quadruple
   • D must remain unchanged
   • D must approximately halve
8. Which three types of term appear in Chinchilla’s parametric loss fit?
   • Only GPU count, electricity price, and elapsed seconds
   • An irreducible base term, a model-size contribution, and a data-size contribution
   • Only vocabulary size, file size, and model name
   • Only a linear token count with no model-size term