লগিট বায়াস কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. লগিট বায়াস কি পরিবর্তন করে?
   • নমুনা নেওয়ার আগে নির্দিষ্ট টোকেনের স্কোর (লগিট)
   • মডেলের প্রশিক্ষণ ওজন স্থায়ীভাবে
   • পুরো প্রম্পটের তাপমাত্রা
   • প্রসঙ্গ উইন্ডোতে টোকেনের সংখ্যা
2. অনেক API-এ, একটি টোকেনে -100-এর একটি লগিট পক্ষপাত কী সম্পন্ন করে?
   • টোকেন 100 গুণ বেশি সম্ভাবনা তৈরি করে
   • কার্যকরভাবে টোকেন তৈরি হতে নিষেধ করে
   • শব্দভান্ডার থেকে টোকেন চিরতরে মুছে দেয়
   • মডেলের গতি দ্বিগুণ করে
3. What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
   • From 0 to 1 only
   • From -1 to 1 only
   • From -100 to 100
   • Any string value
4. লগিট পক্ষপাত কি শনাক্তকারীর সাথে কী করা হয়?
   • প্লেইন-টেক্সট শব্দ
   • বাক্যের অবস্থান
   • মডেলের নাম
   • সংখ্যাসূচক টোকেন আইডি
5. কারণ লগিটগুলি একটি সফ্টম্যাক্সের মাধ্যমে পাস করা হয়, একটি ইতিবাচক পক্ষপাত যোগ করার প্রভাব কী?
   • এটি স্বাভাবিককরণের আগে টোকেনের আপেক্ষিক ওজনকে দ্রুতগতিতে বৃদ্ধি করে
   • এটি রৈখিকভাবে একটি নির্দিষ্ট সম্ভাবনা যোগ করে
   • প্রশিক্ষণ পর্যন্ত এর কোন প্রভাব নেই
   • এটি বিবেচনা থেকে টোকেন সরিয়ে দেয়
6. ফাইন-টিউনিং এর উপর লগিট পক্ষপাতের একটি মূল সুবিধা হল যে এটি:
   • স্থায়ীভাবে মডেলের জ্ঞান উন্নত করে
   • কোন পুনঃপ্রশিক্ষণের প্রয়োজন নেই এবং প্রতি অনুরোধে প্রযোজ্য
   • প্রসঙ্গ উইন্ডোর আকার বাড়ায়
   • শুধুমাত্র ইমেজ উপর কাজ করে
7. Why should a developer inspect the tokenizer before applying a bias to a visible word?
   • Token IDs are assigned only after sampling
   • Visible words always equal one token
   • The word may be represented by several token IDs, so biasing one ID may not cover all forms
   • The tokenizer controls the model’s training data
8. What is a practical risk of applying a strong positive bias to one token?
   • It increases the context window
   • It changes the model weights permanently
   • It guarantees the token appears exactly once
   • It can distort generation or produce repetitive, awkward text