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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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