Kvíz spojený s průvodcem · Střední úroveň
Výzvový kvíz naplánuj a vyřeš
Kontroluje strukturu příkazů naplánujte a poté proveďte, chyby, na které se zaměřuje, pokyny PS+ a limity důkazů srovnávacích testů.
Otázka 1 z 8
Jakou zásadní změnu přináší pobídka Plan-and-Solve do standardního nulového myšlenkového řetězce?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jakou zásadní změnu přináší pobídka Plan-and-Solve do standardního nulového myšlenkového řetězce?
- Nejprve požádá model, aby navrhl plán a poté jej krok za krokem provedl
- Dolaďuje model na plánovacích datech
- Zcela odstraňuje uvažování krok za krokem
- Vyžaduje to desítky zpracovaných příkladů ve výzvě
- Kterým konkrétním slabým stránkám prostého myšlenkového řetězce byl plán Plan-and-Solve navržen tak, aby se vypořádal?
- Nízká rychlost odvozování a vysoké využití paměti
- Chybějící kroky uvažování a chyby ve výpočtech
- Toxické nebo neobjektivní výstupy
- Neschopnost produkovat vůbec nějaké uvažování
- Co vylepšená varianta PS+ přidává k základní výzvě Plan-and-Solve?
- Druhý jazykový model pro hodnocení odpovědi
- Přístup k rozhraní API kalkulačky
- Pokyny k extrakci proměnných, výpočtu mezivýsledků a péči o čísla
- Požadavek na odpověď v JSON
- Klíčovou výhodou Plan-and-Solve oproti několikanásobnému řetězci myšlenek je, že:
- Vždy dosahuje dokonalé přesnosti
- Vyžaduje přeškolení modelu
- Pracuje pouze na zrakových úkolech
- Nepotřebuje žádné ručně vytvořené zpracované příklady ve výzvě
- Na jakém typu benchmarku byl plán Plan-and-Solve prominentně hodnocen?
- Aritmetické a matematické testy slovních problémů jako GSM8K
- Datové sady klasifikace obrázků
- Korpusy rozpoznávání řeči
- Úkoly na skládání bílkovin
- Proč generování plánu před podrobnými kroky pomáhá autoregresivnímu modelu?
- Vymaže původní otázku z kontextu
- Dílčí cíle plánu podmiňují pozdější tokeny uvažování, které model vytvoří
- Zdvojnásobuje počet parametrů modelu
- Přepne model do netextového režimu
- A prompt asks a model to list subgoals before solving a word problem. Which Plan-and-Solve stage does that implement?
- A few-shot worked example
- The final answer verification stage
- The planning stage that decomposes the task before execution
- A decoding-time beam search
- A PS+ prompt reminds the model to extract quantities and calculate intermediate results. What is the intent of those reminders?
- Replace the problem statement with demonstrations
- Change the model’s parameters during inference
- Guarantee every answer is correct
- Reduce calculation and step omissions by directing attention to variables and intermediate quantities