Prueba de decodificación anticipada

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

1. ¿Qué distingue la decodificación anticipada de la decodificación especulativa estándar?
   • Requiere dos modelos entrenados por separado.
   • No utiliza ningún modelo borrador separado, solo el modelo objetivo en sí.
   • Sólo funciona para tareas de traducción.
   • Cuantiza permanentemente el modelo.
2. ¿Qué método numérico sustenta la decodificación anticipada?
   • descenso de gradiente
   • transformada de Fourier
   • K-medias agrupación
   • Iteración de Jacobi (punto fijo)
3. ¿Cuáles son las dos ramas paralelas que corren en cada paso?
   • Una rama de formación y una rama de pruebas.
   • Un codificador y un decodificador.
   • Una rama de anticipación y una rama de verificación
   • Un modelo preliminar y un modelo objetivo
4. ¿Qué se almacena en el 'grupo de n-gramas'?
   • Secuencias plausibles de múltiples tokens vistas durante las iteraciones paralelas
   • El historial de chat del usuario.
   • Pesos del modelo
   • Máscaras de atención
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed