গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
প্রম্পটিং কুইজ পরিকল্পনা করুন এবং সমাধান করুন
প্ল্যান-এরপর-প্রম্পট গঠন, এটির লক্ষ্যমাত্রা ত্রুটি, PS+ নির্দেশিকা এবং এর বেঞ্চমার্ক প্রমাণের সীমা পরীক্ষা করে।
প্রশ্ন 1 এর 8
প্ল্যান-এন্ড-সলভ প্রম্পটিং স্ট্যান্ডার্ড জিরো-শট চেইন-অফ-থট-এ কোন মূল পরিবর্তন করে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- প্ল্যান-এন্ড-সলভ প্রম্পটিং স্ট্যান্ডার্ড জিরো-শট চেইন-অফ-থট-এ কোন মূল পরিবর্তন করে?
- এটি প্রথমে মডেলকে একটি পরিকল্পনা তৈরি করতে বলে, তারপর ধাপে ধাপে এটি কার্যকর করতে বলে
- এটি পরিকল্পনা ডেটাতে মডেলটিকে সূক্ষ্ম-টিউন করে
- এটি ধাপে ধাপে যুক্তিকে সম্পূর্ণরূপে সরিয়ে দেয়
- এটি প্রম্পটে কয়েক ডজন কাজের উদাহরণ প্রয়োজন
- প্লেইন চেইন-অফ-থট-এর কোন নির্দিষ্ট দুর্বলতাগুলি সমাধান করার জন্য পরিকল্পনা-এবং-সমাধান করা হয়েছিল?
- ধীর অনুমান গতি এবং উচ্চ মেমরি ব্যবহার
- অনুপস্থিত যুক্তি পদক্ষেপ এবং গণনা ত্রুটি
- বিষাক্ত বা পক্ষপাতদুষ্ট আউটপুট
- কোনো যুক্তি তৈরি করতে অক্ষমতা
- বর্ধিত PS+ ভেরিয়েন্ট মৌলিক পরিকল্পনা-এবং-সমাধান প্রম্পটে কী যোগ করে?
- উত্তর গ্রেড করার জন্য একটি দ্বিতীয় ভাষা মডেল
- একটি ক্যালকুলেটর API অ্যাক্সেস
- ভেরিয়েবল বের করার নির্দেশাবলী, মধ্যবর্তী ফলাফল গণনা করা এবং সংখ্যায় যোগদান করা
- JSON-এ উত্তর দেওয়ার জন্য একটি প্রয়োজনীয়তা
- অল্প-শট চেইন-অফ-থট-এর উপর পরিকল্পনা-এবং-সমাধানের একটি মূল সুবিধা হল যে এটি:
- সর্বদা নিখুঁত নির্ভুলতা অর্জন করে
- মডেল পুনরায় প্রশিক্ষণ প্রয়োজন
- শুধুমাত্র দৃষ্টি টাস্কে কাজ করে
- প্রম্পটে হাতে তৈরি কাজের উদাহরণের প্রয়োজন নেই
- কোন ধরনের বেঞ্চমার্কে প্ল্যান-এন্ড-সলভকে বিশিষ্টভাবে মূল্যায়ন করা হয়েছিল?
- পাটিগণিত এবং গণিত শব্দ-সমস্যা মানদণ্ড যেমন GSM8K
- ছবির শ্রেণীবিভাগ ডেটাসেট
- বক্তৃতা স্বীকৃতি কর্পোরা
- প্রোটিন ভাঁজ কাজ
- বিস্তারিত পদক্ষেপের আগে একটি পরিকল্পনা তৈরি করা কেন একটি অটোরিগ্রেসিভ মডেলকে সাহায্য করে?
- এটি প্রসঙ্গ থেকে মূল প্রশ্ন মুছে দেয়
- প্ল্যানের সাবগোলগুলি মডেলটি তৈরি করে পরবর্তী যুক্তির টোকেনগুলির অবস্থা
- এটি মডেলের পরামিতি সংখ্যা দ্বিগুণ করে
- এটি মডেলটিকে একটি নন-টেক্সট মোডে স্যুইচ করে
- A prompt asks a model to list subgoals before solving a word problem. Which Plan-and-Solve stage does that implement?
- A few-shot worked example
- The final answer verification stage
- The planning stage that decomposes the task before execution
- A decoding-time beam search
- A PS+ prompt reminds the model to extract quantities and calculate intermediate results. What is the intent of those reminders?
- Replace the problem statement with demonstrations
- Change the model’s parameters during inference
- Guarantee every answer is correct
- Reduce calculation and step omissions by directing attention to variables and intermediate quantities