Prozessüberwachung für Math Reasoning Quiz

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

1. 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
2. Warum kann eine ergebnisorientierte Supervision bei mathematischen Problemen irreführend sein?
   • Die Berechnung ist zu langsam
   • Es kann keine Dezimalzahlen verarbeiten
   • Für jedes Problem sind menschliche Bewerter erforderlich
   • Ein Modell kann durch fehlerhafte Schritte, die sich zufällig aufheben, zur richtigen Antwort gelangen
3. Was hat OpenAI neben der Arbeit „Let's Verify Step by Step“ veröffentlicht?
   • PRM800K, ein Datensatz mit ca. 800.000 Beschriftungen auf Stufenebene
   • Eine neue GPU-Architektur
   • Das GSM8K-Testset
   • Eine Schachmaschine
4. 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
5. Welcher Ansatz reduziert den Bedarf an teuren Etiketten für menschliche Schritte?
   • Das Belohnungsmodell vollständig deaktivieren
   • Monte-Carlo-Rollouts, die den Wert jedes Schritts automatisch schätzen (z. B. Math-Shepherd)
   • Verwenden Sie nur die endgültige Antwort
   • Schulung in weiteren Sprachen
6. 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
7. 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
8. 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