Kvíz spojený s průvodcem · Střední úroveň
Kvíz o vkládání s otočnou polohou
Posuďte, jak RoPE otáčí dotazovací a klíčové vektory za účelem kódování pozice, a odlište jeho vlastnost relativní pozice od metod škálování s dlouhým kontextem.
Otázka 1 z 8
Jak RoPE vkládá informace o poloze do transformátoru?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak RoPE vkládá informace o poloze do transformátoru?
- Otočením dvojic dimenzí v dotazu a klíčových vektorech o úhel závislý na poloze
- Přidáním pevného vektoru do vstupních vložení
- Náhodným přeuspořádáním tokenů
- Připojením čísla pozice jako textu
- Po použití RoPE závisí skóre pozornosti mezi dvěma tokeny především na:
- Pouze jejich absolutní pozice
- Jejich relativní vzdálenost (m mínus n)
- Velikost slovní zásoby
- Velikost šarže
- What training-efficiency comparison did the YaRN paper report for context extension?
- Exactly the same data and steps as all prior methods
- No fine-tuning or training data of any kind
- About 10x fewer tokens and 2.5x fewer training steps than prior methods
- A fixed 100x increase in output tokens
- Proč v RoPE rotují různé dimenzní páry na různých frekvencích?
- Chcete-li ušetřit paměť přeskočením některých rozměrů
- K randomizaci výstupů modelu
- Protože všechny páry musí používat stejný úhel
- K zachycení jak jemného místního řádu, tak pozice na dálku
- What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
- Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
- Guarantee accurate recall at any sequence length with no evaluation
- Remove position information from attention
- Replace all token embeddings with absolute learned vectors
- Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
- Yes; it adds one learned vector for every possible sequence position
- No; it applies position-dependent rotations to paired query/key dimensions
- It removes query and key vectors entirely
- It only adds position to value vectors
- What does standard RoPE alone guarantee about a model’s context length?
- Unlimited accurate context at every position
- A fixed context of exactly 128 tokens
- It does not by itself guarantee reliable use beyond the trained context length
- Removal of the attention mechanism
- What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
- Exactly 1,000 tokens with no position changes
- Unlimited context with no fine-tuning
- Up to 2 million tokens for all models
- Up to 32,768 tokens with minimal fine-tuning