Παρεμβολή θέσης για κουίζ επέκτασης περιβάλλοντος

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποια είναι η βασική ιδέα της παρεμβολής θέσης;
   • Προσθέστε περισσότερες κεφαλές προσοχής
   • Εκ νέου κλιμάκωση (συρρίκνωση) των δεικτών θέσης, ώστε να παραμένουν εντός του εκπαιδευμένου εύρους αντί να προεκταθούν
   • Διαγράψτε εντελώς τις ενσωματώσεις θέσης
   • Εκπαιδεύστε ξανά το μοντέλο από την αρχή σε μεγάλες ακολουθίες
2. Which positional scheme did the original Position Interpolation work extend through position-index rescaling?
   • A fixed output-vocabulary lookup table only
   • No positional information of any kind
   • Rotary positional embeddings, or RoPE
   • An image compression format rather than model positions
3. Why can unmodified positional extrapolation degrade a RoPE model on much longer inputs?
   • The sequence introduces positional and attention conditions beyond the model's training experience
   • A longer context automatically retrains every parameter
   • RoPE removes all attention from the model
   • The tokenizer necessarily loses its vocabulary at a specific length
4. Εάν επεκτείνεται το μήκος περιβάλλοντος από το L στο L', ποιος παράγοντας επανακλιμάκωσης εφαρμόζεται στη θέση m του βασικού PI;
   • Πολλαπλασιάστε m επί L'/L
   • Προσθήκη L' στο m
   • Ορίστε το m στο μηδέν
   • Διαιρέστε το m με το L'/L (δηλαδή, m / (L'/L))
5. How does YaRN's frequency-aware approach differ from uniform Position Interpolation?
   • It removes every query and key from attention
   • It changes only the output vocabulary size
   • It treats frequency bands differently to preserve local detail while extending positional range
   • It guarantees that all long-context tasks have identical accuracy
6. What makes the original Position Interpolation workflow different from pretraining a new long-context model from scratch?
   • It eliminates every need for computation
   • It adapts an existing pretrained model toward the tested longer window with rescaling and fine-tuning
   • It requires replacing all learned parameters with random values
   • It proves all models can extend indefinitely without evaluation
7. Does basic Position Interpolation inherently add new attention heads or enlarge the trainable architecture?
   • Yes; every doubled context requires twice as many attention heads
   • Yes; the vocabulary must expand by the context-length factor
   • Only the model's filename changes, with no effect on positions
   • No; it changes the position coordinates used by the existing model
8. Why must a longer-context PI deployment still assess memory and computation requirements?
   • It processes more tokens and stores relevant state; compressing position coordinates does not remove that work
   • The number of actual input tokens shrinks automatically with their positions
   • All KV-cache storage becomes zero after rescaling
   • Every extended model has unchanged latency regardless of input length