Kvíz spojený s průvodcem · Střední úroveň
Kvíz o uvažování ze stromu myšlenek
Kontroluje větvení stromu myšlenek, generování kandidátů, hodnocení stavu, ořezávání, vyhledávací strategie a kompromisy mezi inferencí a výpočtem.
Otázka 1 z 8
Jak se strom myšlenek liší od nabádání pomocí řetězu myšlenek?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak se strom myšlenek liší od nabádání pomocí řetězu myšlenek?
- Zkoumá více rozvětvených cest uvažování namísto jednoho lineárního řetězce
- Úplně odstraňuje kroky uvažování
- Funguje pouze na obrazových vstupech
- Nevyužívá vůbec žádný jazykový model
- Co v Tree-of-Thoughts obvykle představuje jeden uzel?
- Pouze úplná konečná odpověď
- Částečné řešení nebo přechodná „myšlenka“
- Uživatelský dotaz
- Trénovaná váha
- Jakou roli v Tree-of-Thoughts hraje hodnotitel stavu?
- Napíše konečnou uživatelskou odpověď
- Vymaže paměť modelu
- Ukazuje, jak slibná jsou dílčí řešení, takže slabé větve lze prořezávat
- Překládá mezi jazyky
- V benchmarku Game of 24 ToT dramaticky překonalo řetězec myšlenek, zhruba o jaký skok?
- Od 90% do 95% úspěchu
- Žádné zlepšení
- Od 50 % do 51 % úspěšnosti
- Od asi 4 % do asi 74 % úspěšnosti
- Které vyhledávací strategie se běžně používají k navigaci ve stromu myšlenek?
- Prohledávání nejprve do šířky, do hloubky nebo pomocí paprsku
- Pouze náhodné hádání
- Abecední řazení
- Gradient sestup na pixelech
- Jaký je hlavní kompromis v nákladech při používání Tree-of-Thoughts?
- Snižuje přesnost a šetří čas
- To vyžaduje více inferenčních výpočtů výměnou za vyšší přesnost
- Nepotřebuje žádná modelová volání kromě jednoho
- Funguje pouze offline
- At one Tree-of-Thoughts node, what does the thought generator typically produce?
- A final answer only, with no intermediate states
- A new model checkpoint
- Several candidate next thoughts that could extend the partial solution
- A set of training labels for the prompt
- What decision does the ToT search procedure make after candidate states are generated and scored?
- Which tokenizer the model should use
- Whether to change the model’s weights
- How to label the original training corpus
- Which branches to expand and which to prune or stop exploring