Supervisión de procesos para el cuestionario de razonamiento matemático

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

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. ¿Por qué la supervisión basada únicamente en resultados puede ser engañosa en los problemas de matemáticas?
   • Es demasiado lento para calcular
   • No puede manejar decimales.
   • Requiere calificadores humanos para cada problema
   • Un modelo puede llegar a la respuesta correcta a través de pasos defectuosos que se cancelan.
3. ¿Qué publicó OpenAI junto con el trabajo 'Verifiquemos paso a paso'?
   • PRM800K, un conjunto de datos de ~800.000 etiquetas de nivel de paso
   • Una nueva arquitectura de GPU
   • El equipo de prueba GSM8K
   • Un motor de ajedrez
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. ¿Qué enfoque reduce la necesidad de costosas etiquetas de pasos humanos?
   • Deshabilitar el modelo de recompensa por completo
   • Implementaciones de Monte Carlo que estiman el valor de cada paso automáticamente (por ejemplo, Math-Shepherd)
   • Usando solo la respuesta final
   • Formación en más idiomas
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0.8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label