Cuestionario vinculado a una guía · duro Nivel

Prueba de decodificación de riesgo mínimo de Bayes

Prueba la utilidad esperada, las pseudoreferencias muestreadas, las comparaciones cuadráticas de candidatos, los límites de métricas y las restricciones del grupo de candidatos de la decodificación MBR.

Rutas de guía relacionadasDecodificación de riesgo mínimo de Bayes
Pregunta 1 de 8

¿Qué selecciona la decodificación MBR en lugar de la secuencia más probable?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué selecciona la decodificación MBR en lugar de la secuencia más probable?
    • El candidato con la utilidad esperada más alta frente a otros resultados probables.
    • La secuencia más corta
    • Una muestra aleatoria
    • La secuencia más larga
  2. Dado que las referencias verdaderas no están disponibles, ¿qué utiliza MBR como pseudoreferencias?
    • Un corpus externo fijo
    • El conjunto de resultados candidatos muestreados.
    • Anotaciones humanas
    • el conjunto de entrenamiento
  3. ¿Por qué el MBR ingenuo es computacionalmente costoso?
    • Requiere volver a entrenar el modelo.
    • Necesita un vocabulario más amplio.
    • La comparación por pares de N candidatos son llamadas de métricas O (N al cuadrado)
    • No utiliza GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. La autoconsistencia en el razonamiento se relaciona con MBR porque:
    • Muestra muchas cadenas y elige la respuesta más acordada.
    • Siempre toma la primera respuesta de muestra.
    • Utiliza la búsqueda por haz internamente
    • Ignora la distribución del modelo.
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool