Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ αποκωδικοποίησης ελάχιστου κινδύνου Bayes

Δοκιμάζει την αναμενόμενη χρησιμότητα, δειγματοληπτικές ψευδοαναφορές, συγκρίσεις τετραγωνικών υποψηφίων, μετρικά όρια και τους περιορισμούς υποψήφιων δεξαμενών αποκωδικοποίησης MBR.

Σχετικές διαδρομές οδηγώνΑποκωδικοποίηση ελάχιστου κινδύνου Bayes
Ερώτηση 1 του 8

Τι επιλέγει η αποκωδικοποίηση MBR αντί της μοναδικής πιο πιθανής ακολουθίας;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι επιλέγει η αποκωδικοποίηση MBR αντί της μοναδικής πιο πιθανής ακολουθίας;
    • Ο υποψήφιος με την υψηλότερη αναμενόμενη χρησιμότητα έναντι άλλων πιθανών εξόδων
    • Η συντομότερη ακολουθία
    • Ένα τυχαίο δείγμα
    • Η μεγαλύτερη ακολουθία
  2. Εφόσον οι πραγματικές αναφορές δεν είναι διαθέσιμες, τι χρησιμοποιεί το MBR ως ψευδο-αναφορές;
    • Ένα σταθερό εξωτερικό σώμα
    • Η ομάδα των ίδιων των υποψήφιων αποτελεσμάτων του δείγματος
    • Ανθρώπινοι σχολιασμοί
    • Το σετ εκπαίδευσης
  3. Γιατί το απλό MBR είναι υπολογιστικά ακριβό;
    • Απαιτεί επανεκπαίδευση του μοντέλου
    • Χρειάζεται μεγαλύτερο λεξιλόγιο
    • Η κατά ζεύγη σύγκριση των N υποψηφίων είναι μετρικές κλήσεις O(N στο τετράγωνο).
    • Δεν χρησιμοποιεί GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. Η αυτοσυνέπεια στη συλλογιστική σχετίζεται με το MBR επειδή:
    • Δείγμα πολλών αλυσίδων και επιλέγει την πιο συμφωνημένη απάντηση
    • Λαμβάνει πάντα την πρώτη δειγματοληπτική απάντηση
    • Χρησιμοποιεί την αναζήτηση δέσμης εσωτερικά
    • Αγνοεί την κατανομή του μοντέλου
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool