Prueba de fragmentación de puntos de control y entrenamiento reanudable

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

1. ¿Por qué los puntos de control de modelos grandes se dividen en fragmentos?
   • Para hacer que el modelo se entrene más rápido con entradas pequeñas
   • Para ocultar los pesos del modelo a los usuarios
   • Porque la fragmentación mejora la precisión
   • Porque un solo punto de control puede ser demasiado grande para que un archivo o una máquina lo maneje de manera eficiente
2. Which extra state is typically needed for training resumption beyond model weights?
   • Sólo la puntuación de precisión final
   • Optimizer and scheduler state, step progress, RNG state, and relevant data-loader progress
   • Only a model-weight shard index
   • A screenshot of the training dashboard
3. ¿Cuál es el principal beneficio de la formación reanudable para trabajos de larga duración?
   • Elimina la necesidad de un conjunto de validación.
   • Garantiza que el modelo nunca se sobreajuste
   • Un bloqueo o una preferencia no obligan a reiniciar desde cero
   • Elimina el optimizador.
4. In a sharded distributed checkpoint, how can ranks avoid gathering the entire state on one worker?
   • By saving their assigned local tensor shards with checkpoint metadata
   • By each emailing a full model copy
   • By deleting optimizer state before every save
   • By disabling all state serialization
5. ¿Qué papel juega un archivo de índice en los puntos de control fragmentados?
   • Almacena la contraseña del usuario.
   • Asigna cada nombre de parámetro al archivo de fragmento que lo contiene.
   • Comprime las imágenes en el conjunto de datos.
   • Programa la tasa de aprendizaje.
6. ¿Qué formato se utiliza habitualmente para la carga segura de fragmentos de modelo mapeados en memoria?
   • MP3
   • CSV
   • tensores de seguridad
   • Archivos solo ZIP
7. A package contains safetensors weight shards and an index, but no optimizer state. What can it support by itself?
   • Loading model weights, without fully restoring optimizer training history
   • Guaranteed exact resumption of every interrupted run
   • Recovering the next batch position automatically
   • Reconstructing every random-number-generator state
8. A sharded checkpoint loader supports a new rank layout. What should the team verify before trusting recovery?
   • That fewer ranks guarantee identical floating-point results
   • That the weight index alone includes every application state
   • That no restart test is necessary
   • That the necessary saved state loads correctly and the resumed training step behaves as expected