Mit dem Guide verknüpftes Quiz · Mittel Ebene

Logit Bias-Quiz

Sehen Sie sich an, wie sich die Token-ID-Logit-Verzerrung auf die Stichprobe auswirkt, welche Unterwortbeschränkungen es gibt und warum Kontrollen auf Token-Ebene mehr Text als beabsichtigt beeinflussen können.

Verwandte FührungspfadeLogit-Bias
Frage 1 von 8

Was verändert der Logit-Bias?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was verändert der Logit-Bias?
    • Die Punktzahl (Logit) bestimmter Token vor der Stichprobe
    • Die Trainingsgewichte des Modells bleiben dauerhaft erhalten
    • Die Temperatur der gesamten Eingabeaufforderung
    • Die Anzahl der Token im Kontextfenster
  2. Was bewirkt in vielen APIs ein Logit-Bias von -100 auf einem Token?
    • Macht den Token 100-mal wahrscheinlicher
    • Verhindert effektiv die Generierung des Tokens
    • Löscht das Token für immer aus dem Vokabular
    • Verdoppelt die Geschwindigkeit des Modells
  3. What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
    • From 0 to 1 only
    • From -1 to 1 only
    • From -100 to 100
    • Any string value
  4. Logit-Bias hängt mit welcher Kennung zusammen?
    • Das Klartextwort
    • Die Satzposition
    • Der Name des Modells
    • Die numerische Token-ID
  5. Welche Auswirkung hat das Hinzufügen einer positiven Vorspannung, da Protokolle über einen Softmax weitergeleitet werden?
    • Es erhöht das relative Gewicht des Tokens vor der Normalisierung exponentiell
    • Es fügt linear eine feste Wahrscheinlichkeit hinzu
    • Es hat bis zum Training keine Wirkung
    • Dadurch wird der Token aus der Betrachtung entfernt
  6. Ein wesentlicher Vorteil des Logit-Bias gegenüber der Feinabstimmung besteht darin, dass es:
    • Verbessert dauerhaft das Wissen des Modells
    • Erfordert keine Umschulung und gilt auf Anfrage
    • Erhöht die Größe des Kontextfensters
    • Funktioniert nur bei Bildern
  7. Why should a developer inspect the tokenizer before applying a bias to a visible word?
    • Token IDs are assigned only after sampling
    • Visible words always equal one token
    • The word may be represented by several token IDs, so biasing one ID may not cover all forms
    • The tokenizer controls the model’s training data
  8. What is a practical risk of applying a strong positive bias to one token?
    • It increases the context window
    • It changes the model weights permanently
    • It guarantees the token appears exactly once
    • It can distort generation or produce repetitive, awkward text