Kvíz spojený s průvodcem · Střední úroveň
Kvíz o učení v kontextu
Prohlédněte si rychlé ukázky, pevné modelové váhy, limity výzkumu indukční hlavy, efekty příkladů a kontextový rozpočet několikanásobného učení.
Otázka 1 z 8
Co se zásadně mění uvnitř modelu během učení v kontextu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co se zásadně mění uvnitř modelu během učení v kontextu?
- Váhy modelu se aktualizují o několik kroků přechodu
- Na příkladech je trénována malá vrstva adaptéru
- Model si nový úkol trvale zapamatuje
- Na vahách se nic nemění; výstup řídí pouze výzva
- Výzva, která obsahuje několik zpracovaných příkladů před skutečnou otázkou, se nazývá:
- Výzva k nulovému výstřelu
- Několik výstřelů
- Jemné doladění
- Posílení učení
- What does GPT-3's reported improvement in few-shot performance with scale establish?
- A universal rule that all models below one hundred billion parameters cannot use examples
- A requirement for internet access during every prompt
- An observed trend for the evaluated models and tasks
- A separate emergency training phase
- How should induction-head research be related to broad in-context learning?
- As evidence about a studied mechanism, with limitations on broader conclusions
- As proof that every task uses only one circuit
- As a permanent database of every demonstration
- As a replacement for all task evaluation
- How should an application compare repeated few-shot prompting with fine-tuning?
- Assume fine-tuning is always the least expensive choice
- Measure task quality and the relevant training, request, and maintenance costs
- Assume adding unlimited prompt examples has no cost
- Decide solely by which approach has the longer name
- A few-shot ticket prompt demonstrates only refund and billing labels. What do those examples provide for the next ticket?
- An automatic update to the model's stored weights
- A guarantee that every next ticket fits one of the labels
- A permanent change to all future conversations
- An in-prompt task and label pattern that can guide classification
- Why might the same few-shot classification examples produce different results after reordering?
- The model can be sensitive to the order of examples in its context
- Reordering automatically retrains every parameter
- The label texts must disappear
- The model's vocabulary changes with each permutation
- What resource tradeoff arises when more demonstrations are added to an in-context prompt?
- They use no input tokens because they are examples
- They make the context limit disappear
- They consume more supported context and per-request processing
- They permanently reduce the model's parameter count