Cuestionario vinculado a una guía · Medio Nivel

Prueba de leyes de escala de chinchilla

Pruebe los hallazgos del presupuesto de capacitación de Chinchilla, el ejemplo de 70B/1.4T, las proporciones de escala, el cálculo aproximado y la distinción de la optimización de la implementación.

Rutas de guía relacionadasLeyes de escala de chinchilla
Pregunta 1 de 8

What does Chinchilla's finding that parameters and tokens should scale in similar proportions mean?

Vista previa de cada pregunta8 preguntas

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

  1. What does Chinchilla's finding that parameters and tokens should scale in similar proportions mean?
    • Both should grow with comparable scaling exponents under the studied training-compute objective
    • The numerical token count must equal the parameter count
    • Training data does not affect the fitted loss
    • Every deployment must choose the largest possible model
  2. What token-per-parameter ratio does the 70B-parameter, 1.4T-token Chinchilla experiment illustrate?
    • Exactly one token per parameter
    • About two thousand tokens per parameter
    • About twenty training tokens per parameter
    • A ratio determined only by the number of GPUs
  3. ¿A qué modelo superó Chinchilla a pesar de ser mucho más pequeña?
    • GPT-2
    • tuza
    • BERT
    • mamba
  4. ¿Qué quiso decir Chinchilla sobre modelos como el GPT-3 en su momento?
    • estaban sobreentrenados
    • Tenían muy poca computación disponible
    • Usaron el tokenizador equivocado
    • Estaban poco entrenados en relación con su tamaño.
  5. ¿Cómo se aproximó aproximadamente el cálculo en el análisis de Chinchilla?
    • Proporcional al número de GPU únicamente
    • Independiente del tamaño de los datos
    • Proporcional a los parámetros multiplicados por los tokens de entrenamiento
    • Proporcional al tamaño del vocabulario
  6. Why might a deployment objective favor a smaller model trained on extra data rather than the training-compute optimum alone?
    • Repeated inference costs can matter alongside the initial training budget
    • Inference has no resource cost for any model
    • The Chinchilla study proved every scaling relationship false
    • More data always reduces both training and serving work to zero
  7. Under the approximation that training compute is proportional to N times D, how must D change if N doubles while that compute budget stays fixed?
    • D must also double
    • D must quadruple
    • D must remain unchanged
    • D must approximately halve
  8. Which three types of term appear in Chinchilla’s parametric loss fit?
    • Only GPU count, electricity price, and elapsed seconds
    • An irreducible base term, a model-size contribution, and a data-size contribution
    • Only vocabulary size, file size, and model name
    • Only a linear token count with no model-size term