Kvíz spojený s průvodcem · Střední úroveň
Supervize procesu pro kvíz z matematického uvažování
Prozkoumejte zpětnou vazbu procesu a výsledku pomocí štítků PRM800K, výběru kandidátů, dohledu Math-Shepherd a agregace skóre kroků.
Otázka 1 z 8
Where does process supervision provide feedback compared with outcome supervision?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Where does process supervision provide feedback compared with outcome supervision?
- Only at the physical GPU temperature
- At intermediate reasoning steps rather than only the final result
- Only at the document filename
- Only at an increased vocabulary size
- Proč může být supervize zaměřená pouze na výsledek u matematických problémů zavádějící?
- Je příliš pomalý na výpočet
- Neumí zpracovat desetinná místa
- Na každý problém vyžaduje lidské srovnávače
- Model může dosáhnout správné odpovědi prostřednictvím chybných kroků, které se náhodou zruší
- Co OpenAI vydala vedle práce „Pojďme ověřit krok za krokem“?
- PRM800K, datová sada ~800 000 štítků na úrovni kroku
- Nová architektura GPU
- Testovací sada GSM8K
- Šachový motor
- In best-of-N math selection with a process reward model, what does the verifier do?
- Guarantees that a correct candidate was generated
- Changes every tokenizer token into a proof axiom
- Scores generated candidate solutions under the chosen aggregation rule
- Replaces the original problem with a translation
- Jaký přístup snižuje potřebu drahých štítků s lidskými kroky?
- Úplné zakázání modelu odměny
- Zavedení Monte Carlo, které automaticky odhaduje hodnotu každého kroku (např. Math-Shepherd)
- Použijte pouze konečnou odpověď
- Školení ve více jazycích
- What can low step-level verifier scores usefully indicate to someone reviewing a solution?
- Steps that merit closer inspection
- An infallible location of the first actual error
- A mathematical proof that all other steps are correct
- The exact temperature used to sample every token
- For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
- 0.8
- 0.85
- 1.7
- 0.72
- Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
- Choosing examples only by alphabetical filename order
- Removing every incorrect-answer candidate from the labeling pool
- Active learning that selected informative candidate solutions
- Using an unlabeled test answer as the final human label