Cuestionario vinculado a una guía · duro Nivel

Prueba de vectores de funciones y representaciones de tareas

Estudie cómo se extraen los vectores de funciones de las cabezas de atención, se inyectan en estados ocultos y se prueban en contextos de tareas.

Rutas de guía relacionadasVectores de funciones y representaciones de tareas
Pregunta 1 de 8

What does a function vector represent in the studied language models?

Vista previa de cada pregunta8 preguntas

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

  1. What does a function vector represent in the studied language models?
    • A compact activation-space representation associated with a demonstrated task
    • The model’s full weight matrix
    • A single token embedding in every setting
    • The optimizer’s learning rate
  2. ¿Cómo se construye normalmente un vector de función?
    • Sumando todas las incrustaciones de palabras en el vocabulario.
    • Al promediar los resultados de las cabezas de atención que realizan tareas específicas sobre indicaciones de ejemplo
    • Ajustando el modelo en un ejemplo
    • Leyendo las probabilidades finales de softmax
  3. What did the function-vector paper observe after injecting a vector into a zero-shot prompt?
    • The model always crashed
    • It guaranteed correct answers on any task
    • It could trigger the associated task in the tested settings
    • It permanently changed the model weights
  4. ¿Qué técnica de análisis sustenta la búsqueda de las cabezas que llevan un vector de función?
    • Descenso de gradiente sobre la pérdida.
    • búsqueda de haz
    • Regularización del abandono
    • Análisis de mediación causal.
  5. What do function-vector experiments provide evidence for?
    • Some models form reusable internal representations associated with tasks
    • All language models only memorize text
    • Every model has one universal task vector
    • Tokenization alone determines every behavior
  6. Why are function vectors interesting to steering research?
    • They guarantee safe or correct behavior
    • They provide an activation-level intervention that can influence task behavior in tested settings
    • They eliminate prompts for every application
    • They make all model decisions fully transparent
  7. At what part of the transformer did the paper report strong function-vector effects?
    • Only the input embedding table
    • Only the final output logits
    • Middle layers in the tested models
    • El vocabulario tokenizador
  8. What happened when researchers summed some function vectors?
    • The vectors always canceled to zero
    • The model’s weights were permanently updated
    • Every possible task was composed perfectly
    • Some combinations triggered new complex tasks in the tested experiments