Quiz zu Skalierungsgesetzen für neuronale Netze

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

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. Auf welche drei Größen beziehen sich die ursprünglichen Skalierungsgesetze auf den Verlust?
   • Batchgröße, Dropout und Epochen
   • Modellparameter, Datensatzgröße und Berechnung
   • Lernrate, Gewichtsabnahme und Tiefe
   • GPU-Anzahl, Speicher und Latenz
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • It eliminates the need for validation
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. Was stellt der konstante (irreduzible) Term in einer Verlustformel nach dem Skalierungsgesetz dar?
   • Ein Softwarefehler
   • Die Lernrate
   • Die Anzahl der GPUs
   • Die intrinsische Entropie der Daten, die kein Modell übertreffen kann
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. Welcher Trend treibt das Feld über die einfache Skalierung nach dem Motto „Größer ist besser“ hinaus?
   • GPUs werden frei
   • Mangel an qualitativ hochwertigen Daten sowie Energie- und Kostengrenzen
   • Unbegrenzte Anzeige hochwertiger Texte
   • Verlustkurven verwandeln sich in gerade vertikale Linien
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence