Cuestionario sobre cabezales de inducción en transformadores

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

1. ¿Qué regla implementa esencialmente un cabezal de inducción?
   • Predecir el token más frecuente en el idioma.
   • Copie siempre el token anterior sin cambios
   • Mezcla aleatoriamente las fichas de contexto
   • Vea [A][B] antes, luego en [A] vuelva a predecir [B]
2. What capability was linked to induction-head behavior in the cited 2022 study?
   • In-context learning in the examined models, with broader large-model claims framed as hypotheses
   • A proof that every form of reasoning uses only one identical circuit
   • Changing the tokenizer vocabulary during every prompt
   • Permanent weight updates whenever a repeated token appears
3. ¿Qué papel juega la 'cabeza del token anterior' en el circuito de inducción?
   • Genera el softmax final.
   • Elimina información posicional.
   • Copia la información del predecesor de cada token para que pueda ocurrir la coincidencia.
   • Normaliza los pesos de atención.
4. ¿Cuántas cabezas de atención suelen estar involucradas en el circuito de inducción canónico?
   • exactamente uno
   • Dos, compuestos en capas
   • Cientos en una sola capa
   • Cero; es solo avance
5. What training relationship did the induction-head study report in the models it examined?
   • Head formation coincided with changes in loss behavior and increased in-context learning
   • All heads were fully formed before any training
   • Induction behavior could only appear after every parameter was frozen forever
   • The same exact training transition must occur in every future model
6. ¿Qué tarea realizaría más directamente un cabezal de inducción?
   • Calcular un gradiente numérico
   • Comprimir los pesos del modelo.
   • Cifrar el mensaje de entrada
   • Repetir una secuencia copiando lo que siguió a tokens coincidentes anteriores
7. What roles do query-key matching and the output-value path play in the canonical induction circuit?
   • Query-key computations generate the final text filename; output-value computations train the tokenizer
   • Query-key computations select the matching context position; output-value computations promote the token information there
   • Both paths only count the total number of context words
   • The output-value path selects a position without any attention pattern
8. Does a demonstrated two-head induction circuit prove that every large-model in-context task uses that mechanism alone?
   • Yes; every architecture and prompt has already been causally tested
   • Yes; no other network computation can influence a prediction
   • No; the wider explanation remains a hypothesis needing model- and task-specific evidence
   • Only the number of parameters determines whether the proof is universal