Kvíz spojený s průvodcem · Střední úroveň
Pokračování Předtréninkový versus dolaďovací kvíz
Testuje data a objektivní rozdíly mezi pokračujícím předtrénováním a dolaďováním, katastrofálním zapomínáním a přehráváním a tím, kdy se vyhledávání lépe hodí.
Otázka 1 z 8
Jaký je hlavní rozdíl v datech mezi pokračujícím předtrénováním a dohledovaným jemným laděním?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký je hlavní rozdíl v datech mezi pokračujícím předtrénováním a dohledovaným jemným laděním?
- Both use only labeled question and answer pairs
- Continued pretraining uses raw domain text; fine-tuning uses curated labeled examples
- Fine-tuning uses more data than continued pretraining
- Continued pretraining uses only images
- Kde se při dohledovaném jemném ladění obvykle vypočítává ztráta?
- On every token including the prompt
- Only on the prompt tokens
- On randomly chosen tokens
- Only on the response tokens
- Co je to přehrávání (replay) při pokračujícím předtrénování?
- Mixing some general data into training to limit forgetting
- Running the same batch twice
- Restarting training from scratch
- Replaying user conversations at inference time
- Jak byl vytvořen kód Llama?
- From scratch on code only
- By prompt engineering Llama 2
- By continuing to train Llama 2 on a large code corpus
- By fine-tuning on a few hundred coding questions
- Pro fakta, která se často mění, který přístup průvodce navrhuje jako často lepší než jemné ladění?
- Continued pretraining every day
- Retrieval of up-to-date documents
- Raising the sampling temperature
- Training a larger tokenizer
- Which statement about BloombergGPT is correct according to the guide?
- It was continued pretraining of Llama 2
- It was created only with LoRA
- It was a prompt-engineered GPT-3
- It was trained from scratch on financial and general data
- What did the 2020 paper Don't Stop Pretraining show?
- A second phase of pretraining on in-domain text improved RoBERTa on domain tasks
- Pretraining should always stop after one epoch
- Fine-tuning is useless for classification
- Domain text harms every model
- Why re-warm the learning rate at the start of continued pretraining?
- To reset the tokenizer
- To freeze the base weights
- Resuming at a high rate destabilizes training while too low a rate learns little
- To skip the need for domain data