Cuestionario vinculado a una guía · Medio Nivel

Prueba de muestreo y reclasificación del mejor de N

Comprenda la selección del mejor de N, las limitaciones del evaluador, los costos del tiempo de inferencia y los supuestos de probabilidad detrás del muestreo de más candidatos.

Rutas de guía relacionadasLo mejor de N muestreo y reclasificación
Pregunta 1 de 8

¿Cuál es la idea central del muestreo lo mejor de N?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es la idea central del muestreo lo mejor de N?
    • Genere N resultados candidatos y elija el mejor con un anotador
    • Entrene el modelo N veces y promedie los pesos.
    • Utilice solo el primer resultado que produce el modelo.
    • Reducir el vocabulario a N tokens.
  2. When is best-of-N most likely to help?
    • When every output is equally good
    • When the model sometimes samples a correct candidate and a reliable verifier can identify it
    • When the task has no way to assess candidates
    • When sampling is disabled
  3. ¿Qué determina en gran medida si lo mejor de N realmente mejora los resultados?
    • El color de la interfaz de usuario.
    • La duración del mensaje únicamente
    • La calidad y robustez del anotador o verificador.
    • El tamaño del vocabulario del modelo.
  4. What can happen when N becomes large and the reward model is an imperfect proxy?
    • The model’s tokenizer is removed
    • The model forgets its training weights
    • All candidates become identical
    • Selection can favor outputs that exploit scorer errors and reduce true quality
  5. ¿Qué estrategia simple de reclasificación también se conoce como autoconsistencia?
    • Voto mayoritario entre las respuestas de la muestra
    • Elegir la respuesta más larga
    • Elegir una muestra aleatoria
    • Siempre tomando el resultado de menor probabilidad
  6. What mainly drives the generation cost of best-of-N?
    • Only the number of vocabulary entries
    • The total amount of text generated across the sampled candidates
    • The user interface color
    • The number of model training runs
  7. If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
    • p/N
    • N−p
    • 1−(1−p)^N
    • 1−p^N
  8. Which assumption is needed for the simple 1−(1−p)^N success formula?
    • Every response has a different length
    • The model is retrained after each sample
    • The reward model has no parameters
    • The candidate samples are independent and the verifier recognizes success perfectly