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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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