Kvíz spojený s průvodcem · Střední úroveň

Kvíz o sloučení modelů

Prozkoumejte, jak lze kombinovat kompatibilní kontrolní body modelu a vektory úkolů, jaké metody slučování se mění a proč každý výsledek potřebuje vyhodnocení.

Související vodicí cestySloučení modelů
Otázka 1 z 8

Co slučování modelů primárně spojuje?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co slučování modelů primárně spojuje?
    • Hmotnosti (parametry) více modelů
    • Tréninkové datové sady více modelů
    • Předpovědi výstupu více modelů v čase odvození
    • Hardwarové akcelerátory používané pro trénink
  2. „Vektor úkolů“ je nejlépe popsán takto:
    • Seznam úkolů, které může model provádět
    • Rozdíl mezi hmotností vyladěného modelu a hmotností jeho základního modelu
    • Vektor vstupních tokenů pro úkol
    • Gradient vypočítaný během jednoho tréninkového kroku
  3. In the described weight-space merging methods, what can be avoided?
    • Evaluation of the merged checkpoint
    • Compatibility requirements between model weights
    • Additional gradient training and access to the original training data
    • Testing the result on intended tasks
  4. How do TIES-Merging and DARE differ in addressing parameter interference?
    • Both use the same sign-voting method and differ only in scale
    • DARE uses prompt engineering while TIES retrains on joint data
    • Both average model outputs instead of changing weights
    • They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
  5. Klíčovým předpokladem pro úspěšné sloučení dvou modelů je, že:
    • Sdílejte stejnou architekturu a obvykle vycházejí ze společného základního modelu
    • Byli vyškoleni na identických datech
    • Mějte přesně stejný počet tréninkových kroků
    • Použijte pouze stejnou velikost slovní zásoby tokenizeru
  6. In task arithmetic, what do coefficients control when combining task vectors?
    • Which tokenizer each checkpoint must use
    • How strongly each parameter-change vector contributes to the merged checkpoint
    • How many training examples are generated
    • Whether an evaluation set is required
  7. What are the three main stages named by TIES-Merging?
    • Tokenize text, infer emotions, and export audio
    • Quantize weights, shard GPUs, and route network packets
    • Trim small changes, elect a sign direction, then merge aligned parameter updates
    • Train a reward model, collect labels, and run PPO
  8. Why should teams evaluate each task after a model merge?
    • Merging guarantees every benchmark improves
    • Evaluation is needed only to calculate the file size
    • A merged model cannot be run without retraining
    • Combining weight updates can create interference or reduce performance on a task