গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
Perplexity এবং ভাষা মেট্রিক্স কুইজ
রেফারেন্স-টোকেন সম্ভাবনা, ক্রস-এনট্রপি, ইউনিফর্ম বেসলাইন, তুলনীয় টোকেনাইজেশন, BLEU, গুণমানের সীমা, প্রসঙ্গ উইন্ডো এবং মুখোশযুক্ত মডেলগুলি পর্যালোচনা করুন।
প্রশ্ন 1 এর 8
Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
- Lower average negative log-likelihood for the reference tokens
- A guarantee of more factually correct generated answers
- A guarantee of a larger parameter count
- A requirement that every top-choice prediction be correct
- Using natural-log negative log-likelihood, how is autoregressive perplexity computed from its average?
- By multiplying the parameter count by the context length
- By subtracting the average from the number of attention heads
- By taking the average learning rate
- By exponentiating the average negative log-likelihood
- একটি মডেল কোন শিক্ষা ছাড়াই 10,000-শব্দের শব্দভান্ডার জুড়ে অভিন্ন সম্ভাবনা নির্ধারণ করে। এর বিভ্রান্তি কী?
- 1
- 10,000
- 0
- 100
- Why do tokenizer and corpus settings matter when directly comparing per-token perplexity values?
- Perplexity ignores every scored reference token
- All corpora necessarily produce the same likelihood
- They change the units or reference data over which probabilities are averaged
- Only model parameter count determines the score
- Which translation-reference metric uses modified n-gram precision and a brevity penalty?
- Perplexity
- গড় পিক্সেল ত্রুটি
- মডেলের পরামিতি গণনা
- BLEU
- কোন মূল সীমাবদ্ধতা বাস্তব-বিশ্বের গুণমান বিচারের জন্য গবেষকদের বিভ্রান্তির বাইরে ঠেলে দেয়?
- Perplexity পরবর্তী-শব্দের পূর্বাভাস পরিমাপ করে, আউটপুট কার্যকর, সত্য বা সহায়ক কিনা তা নয়
- Perplexity গণনা করা খুব ব্যয়বহুল
- Perplexity পাঠ্য ডেটাতে গণনা করা যাবে না
- Perplexity শুধুমাত্র অনুমানের সময় কাজ করে, প্রশিক্ষণ নয়
- When scoring a long text with a fixed-context model, what can a sliding-window procedure provide that disjoint chunks lose near boundaries?
- A new vocabulary learned automatically at every boundary
- A guarantee that generated answers are factually correct
- More preceding context for the scored target tokens
- A requirement to count each overlapping target repeatedly
- Why is conventional left-to-right perplexity not directly the same score for a BERT-style masked language model?
- BERT has no learned parameters
- The masked model does not directly define the same autoregressive sequence factorization
- Every masked-token probability is necessarily zero
- Perplexity is defined only for image pixels