Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Yi Models by 01.AI

Εξετάστε την προέλευση της οικογένειας μοντέλων Yi, τη δίγλωσση εστίαση, τον σχεδιασμό μόνο με αποκωδικοποιητή, τις παραλλαγές μακροσκελούς περιβάλλοντος και την εκπαίδευση προσανατολισμένη στις οδηγίες.

Σχετικές διαδρομές οδηγώνYi Models By 01 AI
Ερώτηση 1 του 8

Ποιος ίδρυσε την 01.AI, την εταιρεία πίσω από τα μοντέλα Yi;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιος ίδρυσε την 01.AI, την εταιρεία πίσω από τα μοντέλα Yi;
    • Κάι-Φου Λι
    • Ρόμπιν Λι
    • Τζακ Μα
    • Andrew Ng
  2. Ποια ήταν τα δύο από τα πρώτα βασικά μοντέλα Yi που κυκλοφόρησαν;
    • Yi-1 και Yi-2
    • Yi-6B και Yi-34B
    • Yi-100 και Yi-200
    • Yi-Mini και Yi-Max
  3. Για ποια ικανότητα είναι ιδιαίτερα γνωστά τα μοντέλα Yi;
    • Δημιουργία μόνο εικόνων
    • Λειτουργία χωρίς GPU
    • Ισχυρή δίγλωσση απόδοση Κινεζο-Αγγλικών
    • Μετάφραση μόνο προφορικού ήχου
  4. Ποια αρχιτεκτονική βάσης ακολουθούν τα μοντέλα Yi;
    • Ένα επαναλαμβανόμενο σχέδιο LSTM
    • Ένα μοντέλο διάχυσης
    • Ένα καθαρό μοντέλο κωδικοποιητή όπως το BERT
    • Ο μετασχηματιστής τύπου Llama μόνο με αποκωδικοποιητή
  5. Πόσο περίπου είναι το παράθυρο περιβάλλοντος των παραλλαγών Yi μεγάλου πλαισίου;
    • 200 χιλιάδες μάρκες
    • 4Κ μάρκες
    • 32 χιλιάδες μάρκες
    • 1 εκατομμύριο μάρκες
  6. What did 01.AI’s Yi technical report identify as an important driver of model performance?
    • Πλήρης εγκατάλειψη της τεχνητής νοημοσύνης
    • Data quality resulting from data-engineering efforts
    • Κατασκευή μόνο τσιπ υλικού
    • Συγχώνευση με OpenAI
  7. What does supervised fine-tuning plus reinforcement learning from human feedback aim to improve in Yi chat models?
    • Compressing retinal images
    • Changing the model into an encoder-only network
    • Following instructions in conversational use
    • Removing all text-generation ability
  8. What data strategy did 01.AI emphasize for the Yi models?
    • Training exclusively on synthetic audio
    • Avoiding all data filtering
    • Using only programming-language source code
    • Careful data quality and curation rather than relying only on sheer scale