Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Mirostat Perplexity Κουίζ ελέγχου

Καλύπτει το στόχο έκπληξης/αστίας του Mirostat, το κατώφλι ανάδρασης, το ρυθμό ενημέρωσης, τις διαφορές έκδοσης και τα όρια ως ευρετικό αποκωδικοποίησης.

Σχετικές διαδρομές οδηγώνMirostat Perplexity Έλεγχος
Ερώτηση 1 του 8

What does Mirostat try to control during generation?

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. What does Mirostat try to control during generation?
    • A target level of output perplexity or surprise
    • Ο αριθμός των παραμέτρων του μοντέλου
    • The training dataset size
    • Η θερμοκρασία της GPU
  2. Πώς διαφέρει θεμελιωδώς το Mirostat από την τυπική δειγματοληψία top-k ή top-p;
    • Δεν χρησιμοποιεί ποτέ την τυχαιότητα
    • Προσαρμόζει δυναμικά την περικοπή χρησιμοποιώντας ανάδραση αντί για σταθερή αποκοπή
    • Λειτουργεί μόνο σε εικόνες
    • Απαιτεί επανεκπαίδευση του μοντέλου
  3. Στο Mirostat, τι ρόλο παίζει η παράμετρος eta;
    • Καθορίζει το μέγεθος του λεξιλογίου
    • Καθορίζει το μήκος εξόδου
    • Είναι ο ρυθμός εκμάθησης που ελέγχει πόσο γρήγορα προσαρμόζεται το όριο
    • Απενεργοποιεί τη δειγματοληψία
  4. Ποια είναι η κύρια βελτίωση της έκδοσης 2 του Mirostat σε σχέση με την έκδοση 1;
    • Δημιουργεί επίσης εικόνες
    • Απαιτεί περισσότερη μνήμη
    • Καταργεί την παράμετρο tau
    • Καταργεί την υπόθεση μιας κατανομής Zipfian για απλούστερο, πιο ισχυρό έλεγχο
  5. Εάν η Mirostat εντοπίσει ότι η έξοδος γίνεται πολύ προβλέψιμη, θα:
    • Χαλαρώστε την περικοπή για να αποδεχτείτε περισσότερα διαφορετικά διακριτικά
    • Σφίξτε την περικοπή για να επιτρέψετε λιγότερα διακριτικά
    • Σταματήστε αμέσως να δημιουργείτε
    • Αυξήστε το μέγεθος του μοντέλου
  6. Which Mirostat settings does current llama.cpp expose?
    • Tokenizer vocabulary and number of layers
    • Mode, target tau, and learning-rate eta
    • Only the prompt length
    • Training epochs and validation loss
  7. What does eta control in Mirostat’s feedback update?
    • The size of the model vocabulary
    • The target number of output tokens
    • How strongly the threshold changes in response to the observed error
    • The probability of a correct factual answer
  8. What does a Mirostat target not guarantee by itself?
    • That the sampler reads token probabilities
    • That the setting can influence surprise
    • That the output contains tokens
    • That the generated text is factually correct