Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Zhipu GLM Models

Καλύπτει το όνομα και τον εκπαιδευτικό στόχο του GLM, τη γραμμή ChatGLM, τις τρέχουσες εκδόσεις για συγκεκριμένα μοντέλα και την προσεκτική ερμηνεία των ενημερώσεων της εταιρείας.

Σχετικές διαδρομές οδηγώνΜοντέλα Zhipu Glm
Ερώτηση 1 του 8

Τι σημαίνει το GLM στα μοντέλα της Zhipu;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι σημαίνει το GLM στα μοντέλα της Zhipu;
    • Γενικό Γλωσσικό Μοντέλο
    • Παγκόσμια Μηχανή Εκμάθησης
    • Μοντέλο γραφικών επιπέδων
    • Generative Logic Module
  2. Με ποιο πανεπιστήμιο συνδέεται πιο στενά το Zhipu AI;
    • Πανεπιστήμιο του Πεκίνου
    • Πανεπιστήμιο Tsinghua
    • MIT
    • Πανεπιστήμιο Fudan
  3. What did the ChatGLM-6B release make available to developers?
    • A video-only diffusion model
    • A proprietary API with no released model
    • A bilingual Chinese-English chatbot model with deployment options for local hardware
    • A database for image annotations
  4. What does CogVideoX generate from a text prompt?
    • A protein structure
    • A transaction graph
    • A speech transcript only
    • A video clip
  5. Πώς λειτουργεί ο αρχικός στόχος εκπαίδευσης GLM;
    • Καλύπτει εκτάσεις κειμένου και γεμίζει τα κενά αυτοπαλινδρομικά
    • Προβλέπει μόνο την επόμενη λέξη
    • Συγκεντρώνει λέξεις χωρίς ετικέτες
    • Κατατάσσει τα αποτελέσματα αναζήτησης
  6. What is a stable technical question to ask about a specific Zhipu GLM release?
    • Whether all GLM releases have identical limits
    • Which capabilities, license, and evaluation results are documented for that exact version
    • Whether the company name predicts model quality
    • Whether a single benchmark proves general superiority
  7. What deployment option does the ChatGLM-6B repository document for reducing memory requirements?
    • Increasing the model to 70 billion parameters
    • Αφαίρεση όλων των επιπέδων προσοχής
    • Quantized inference configurations such as 4-bit loading
    • Training a new tokenizer at each request
  8. How does the original GLM paper describe positional information for infilling spans?
    • It uses no position information
    • It assigns each document one global position
    • It treats masked spans as image patches
    • It uses two-dimensional positions to represent text position and the infilling span