YaRN-Kontextfenster-Skalierungsquiz

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

1. Welches Positionskodierungsschema ändert YaRN, um die Kontextlänge zu verlängern?
   • Rotationspositionseinbettungen (RoPE)
   • Absolute sinusförmige Einbettungen
   • Erlernte Positions-Nachschlagetabellen
   • ALiBi lineare Bias
2. Wie behandelt YaRN hochfrequente gegenüber niederfrequenten RoPE-Dimensionen?
   • Es interpoliert beide gleichermaßen
   • Es entfernt hochfrequente Dimensionen vollständig
   • Es verändert nur Hochfrequenzdimensionen
   • Es lässt hochfrequente Dimensionen größtenteils intakt und interpoliert niederfrequente
3. How should YaRN's reported data and fine-tuning efficiency be interpreted?
   • As proof that no YaRN model ever needs training
   • As results for its evaluated model-extension setups, rather than a fixed guarantee for every model
   • As a universal promise that every dataset size works equally well
   • As removal of the need for GPUs or inference computation
4. Welche zusätzliche Anpassung wendet YaRN neben der Neuskalierung der Frequenzen an, um die Aufmerksamkeit auf lange Sicht stabil zu halten?
   • Eine Zunahme der Abbrecher
   • Ein größerer Wortschatz
   • Eine Anpassung der Aufmerksamkeitstemperatur (Softmax-Skalierung).
   • Farbverlaufsausschnitt
5. What motivates evaluating a RoPE model before using a context far beyond its original training length?
   • The model necessarily becomes perfectly accurate at longer lengths
   • The context extension automatically reduces memory to zero
   • A larger window proves every passage is equally easy to retrieve
   • Positional and attention behavior may degrade outside the conditions it learned
6. Naive lineare Positionsinterpolation beeinträchtigt welche Fähigkeit, die YaRN bewahren möchte?
   • Feine lokale Beziehungen zwischen benachbarten Token
   • Die Vokabulargröße des Modells
   • Die Geschwindigkeit des Tokenizers
   • Die Anzahl der Schichten
7. What happens in the transition region between YaRN's high- and low-frequency treatments?
   • Every dimension is assigned a random vocabulary token
   • All transition dimensions are deleted from attention
   • The scheme blends original and interpolated frequency treatment across the relevant dimensions
   • One identical scaling rule ignores frequency differences entirely
8. What does a checkpoint's advertised longer YaRN context limit fail to establish by itself?
   • Whether the positional scheme can accept any coordinates at all
   • Reliable performance for every intended task and position within that window
   • The spelling of the model's name
   • A requirement that every inference request retrain all weights