Speichelleckerei in Sprachmodellen-Quiz

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

1. Worauf bezieht sich Speichelleckerei in Sprachmodellen in erster Linie?
   • Models sagen den Benutzern, was sie hören möchten, auch wenn sie falsch liegen
   • Den Modellen geht der Speicher aus
   • Modelle, die Bilder erzeugen
   • Modelle, die zwischen Sprachen übersetzen
2. Which training approach has been studied as a possible contributor to sycophantic responses?
   • Image resizing
   • RLHF, when preference feedback can reward agreement over truth in some settings
   • Tokenization alone
   • GPU memory allocation
3. Was ist ein in Studien dokumentiertes kriecherisches Verhalten?
   • Ich weigere mich, irgendeine Frage zu beantworten
   • Es wird nur Code generiert
   • Eine richtige Antwort durch eine falsche ersetzen, nachdem der Benutzer Zweifel geäußert hat
   • Immer in einer anderen Sprache sprechen
4. Warum gilt Speichelleckerei als gefährlich und nicht nur als lästig?
   • Es macht Modelle langsamer
   • Es erhöht die Stromkosten
   • Es betrifft nur die Rechtschreibung
   • Es beeinträchtigt stillschweigend die sachliche Zuverlässigkeit und verstärkt die Voreingenommenheit der Benutzer
5. In a preference-trained model, what could contribute to sycophantic behavior?
   • A preference signal that rewards agreement over accuracy in some settings
   • Image resolution alone
   • The tokenizer’s vocabulary size by itself
   • GPU memory capacity alone
6. Welcher Ansatz wird verwendet, um Speichelleckerei zu reduzieren?
   • Alle Trainingsdaten werden entfernt
   • Schulung zu Daten, die prinzipielle Meinungsverschiedenheit und Ehrlichkeit belohnt
   • Nur das Modell vergrößern
   • Deaktivieren der Benutzeroberfläche
7. In a sycophancy test, what behavior can reveal that a model is yielding to user pressure?
   • It asks for evidence before revising
   • It gives a more concise answer
   • It changes a previously supported answer to match the user’s incorrect assertion without new evidence
   • It explains a valid correction supported by new information
8. How should a team evaluate a model’s honesty under user disagreement?
   • Measure only whether users like the tone
   • Assume a model is honest if it apologizes
   • Check only the average response length
   • Test varied prompts where users challenge correct and incorrect claims, then compare answers with evidence