Αραιοί αυτόματοι κωδικοποιητές για κουίζ εξαγωγής δυνατοτήτων

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Which interpretability difficulty motivates sparse dictionary learning for neural activations?
   • Every model activation is already a complete dictionary definition
   • Several learned signals can overlap in an activation space
   • The tokenizer must be permanently removed
   • All neural weights are stored as image pixels
2. What does an SAE sparsity constraint encourage for a given input?
   • Every feature to activate equally on every input
   • A mandatory removal of its decoder
   • A guarantee that every feature has exactly one perfect human label
   • Only a limited subset of learned feature activations to be nonzero
3. Στο έργο του Anthropic 'Scaling Monosemanticity', ποιο ήταν το διάσημο χαρακτηριστικό παράδειγμα;
   • Το χαρακτηριστικό γνώρισμα της γέφυρας Golden Gate
   • Ένα χαρακτηριστικό για τον αριθμό επτά
   • Ένα χαρακτηριστικό μόνο για το μπλε χρώμα
   • Ένα χαρακτηριστικό για φωνήεντα
4. What does an overcomplete SAE dictionary mean?
   • It must activate every feature for every token
   • It contains no reconstruction mapping
   • It has more learned feature directions than input activation dimensions
   • It always requires less storage than the input vector
5. What does a monosemantic feature label aim to describe in this research context?
   • A guarantee that the feature never responds to related examples
   • A feature associated with one interpretable concept
   • A language model that has only one parameter
   • A token represented by exactly one raw byte
6. Πώς μπορούν να χρησιμοποιηθούν τα SAE για να επηρεάσουν τη συμπεριφορά ενός μοντέλου;
   • Ενεργοποιώντας ή απενεργοποιώντας ένα χαρακτηριστικό για να κατευθύνετε τις εξόδους
   • Με την επανεκπαίδευση ολόκληρου του μοντέλου από την αρχή
   • Διαγράφοντας το tokenizer
   • Μετατρέποντάς το σε μοντέλο εικόνας
7. What does an SAE’s reconstruction residual measure for an activation vector?
   • The difference between two unrelated document titles
   • The total number of words in the model vocabulary
   • Only the model’s hardware temperature
   • The difference between the original activation and its decoded reconstruction
8. When an SAE is fitted to collected activations of a frozen language model, which weights need to be trained for that fitting?
   • Every original language-model weight must be updated
   • Only the tokenizer’s character list
   • The SAE’s own encoder and decoder weights
   • No parameters of the SAE can change