Lookahead-Dekodierungsquiz

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

1. Was unterscheidet die Lookahead-Dekodierung von der standardmäßigen spekulativen Dekodierung?
   • Es erfordert zwei separat trainierte Modelle
   • Es verwendet kein separates Entwurfsmodell, sondern nur das Zielmodell selbst
   • Es funktioniert nur für Übersetzungsaufgaben
   • Es quantisiert das Modell permanent
2. Welche numerische Methode liegt der Lookahead-Dekodierung zugrunde?
   • Gefälleabstieg
   • Fourier-Transformation
   • K-bedeutet Clustering
   • Jacobi-Iteration (Festkomma).
3. Was sind die beiden parallelen Zweige, die bei jedem Schritt verlaufen?
   • Ein Trainingszweig und ein Testzweig
   • Ein Encoder und ein Decoder
   • Ein Lookahead-Zweig und ein Verifizierungszweig
   • Ein Entwurfsmodell und ein Zielmodell
4. Was wird im „n-gram-Pool“ gespeichert?
   • Plausible Multi-Token-Sequenzen, die während der parallelen Iterationen beobachtet wurden
   • Der Chatverlauf des Benutzers
   • Modellgewichte
   • Achtung Masken
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed