Kvíz spojený s průvodcem · Střední úroveň

Kvíz o agregaci směsi agentů

Prohlédněte si role navrhovatele a agregátora MoA, vrstvené sdílení návrhů, efekty spolupráce a kompenzace odvozených nákladů.

Související vodicí cestySměs Agentů Agregace
Otázka 1 z 8

Jaká je role modelu agregátoru ve hře Mixture-of-Agents?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je role modelu agregátoru ve hře Mixture-of-Agents?
    • Syntetizovat odpovědi navrhovatelských modelů do jediné vylepšené odpovědi
    • Náhodně odstranit všechny koncepty kromě jednoho
    • Chcete-li přeložit výzvu do kódu
    • Trénovat modely navrhovatelů
  2. Na jaké klíčové vlastnosti LLM se dokument MoA opírá?
    • Že LLM neumí číst výstupy jiných modelů
    • Že LLM produkují lepší odpovědi, když jsou zobrazeny odpovědi kolegů („spolupráce“)
    • Že LLM vždy souhlasí
    • Že větší modely jsou zbytečné
  3. Jak se MZ liší od hlasování prostou většinou?
    • Vybírá nejběžnější odpověď doslovně
    • Používá pouze jeden model
    • Agregátor čte všechny koncepty jako kontext a generuje novou syntézu
    • Navrhovatele zcela ignoruje
  4. Proč je v MoA cenná rozmanitost mezi modely navrhovatelů?
    • Zaručuje identické výstupy
    • Snižuje počet vrstev na nulu
    • To dělá všechny odpovědi špatně
    • Různé modelové rodiny přispívají k doplňkovým přednostem, které může agregátor kombinovat
  5. Jaké jsou hlavní praktické náklady přístupu MoA?
    • Vyšší latence a výpočet, protože každá vrstva násobí volání modelu
    • Nevyžaduje to vůbec žádné vyvozování
    • Může vypsat pouze jedno slovo
    • Smaže původní výzvu
  6. Co zpráva MoA přinesla o modelech s otevřeným zdrojovým kódem na AlpacaEval 2.0?
    • Nemohli spustit benchmark
    • MoA otevřených modelů překonalo skóre GPT-4 Omni
    • Otevřené modely vždy dosáhly nuly
    • Testovány byly pouze uzavřené modely
  7. What information is given to an agent in a later Mixture-of-Agents layer?
    • Only the original prompt with all earlier drafts removed
    • Only a majority-vote label
    • The outputs produced by agents in the preceding layer
    • A gradient update from each previous model
  8. What is the purpose of placing several proposer models in the first MoA layer?
    • Train a shared base model from scratch
    • Choose one response by majority vote and discard the rest
    • Compress all outputs into a single token
    • Create a set of candidate responses for later agents and the aggregator to use