Kvíz spojený s průvodcem · Střední úroveň

Kvíz o vzorkování a přehodnocení nejlepších z N

Pochopte výběr nejlepšího z N, omezení skóre, časové náklady a pravděpodobnostní předpoklady za vzorkováním více kandidátů.

Otázka 1 z 8

Jaká je základní myšlenka vzorkování best-of-N?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je základní myšlenka vzorkování best-of-N?
    • Vygenerujte N výstupů kandidátů a pomocí bodovače vyberte ten nejlepší
    • Trénujte model N-krát a zprůměrujte váhy
    • Použijte pouze první výstup, který model vytvoří
    • Zredukujte slovní zásobu na N tokenů
  2. When is best-of-N most likely to help?
    • When every output is equally good
    • When the model sometimes samples a correct candidate and a reliable verifier can identify it
    • When the task has no way to assess candidates
    • When sampling is disabled
  3. Co do značné míry určuje, zda best-of-N skutečně zlepšuje výsledky?
    • Barva uživatelského rozhraní
    • Pouze délka výzvy
    • Kvalita a robustnost bodovače nebo ověřovatele
    • Velikost slovní zásoby modelu
  4. What can happen when N becomes large and the reward model is an imperfect proxy?
    • The model’s tokenizer is removed
    • The model forgets its training weights
    • All candidates become identical
    • Selection can favor outputs that exploit scorer errors and reduce true quality
  5. Která jednoduchá rerankingová strategie je také známá jako sebekonzistence?
    • Většinové hlasování mezi ukázkovými odpověďmi
    • Výběr nejdelší odpovědi
    • Výběr náhodného vzorku
    • Vždy brát výstup s nejnižší pravděpodobností
  6. What mainly drives the generation cost of best-of-N?
    • Only the number of vocabulary entries
    • The total amount of text generated across the sampled candidates
    • The user interface color
    • The number of model training runs
  7. If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
    • p/N
    • N−p
    • 1−(1−p)^N
    • 1−p^N
  8. Which assumption is needed for the simple 1−(1−p)^N success formula?
    • Every response has a different length
    • The model is retrained after each sample
    • The reward model has no parameters
    • The candidate samples are independent and the verifier recognizes success perfectly