Cuestionario sobre incrustaciones de posiciones rotativas

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

1. ¿Cómo inyecta RoPE información de posición en un transformador?
   • Rotando pares de dimensiones en la consulta y los vectores clave en un ángulo que depende de la posición
   • Agregando un vector fijo a las incrustaciones de entrada
   • Reordenando los tokens aleatoriamente
   • Agregando el número de posición como texto
2. Después de aplicar RoPE, la puntuación de atención entre dos tokens depende principalmente de:
   • Sólo sus posiciones absolutas
   • Su distancia relativa (m menos n)
   • El tamaño del vocabulario
   • El tamaño del lote
3. What training-efficiency comparison did the YaRN paper report for context extension?
   • Exactly the same data and steps as all prior methods
   • No fine-tuning or training data of any kind
   • About 10x fewer tokens and 2.5x fewer training steps than prior methods
   • A fixed 100x increase in output tokens
4. ¿Por qué diferentes pares de dimensiones giran a diferentes frecuencias en RoPE?
   • Para ahorrar memoria omitiendo algunas dimensiones
   • Para aleatorizar las salidas del modelo
   • Porque todos los pares deben usar el mismo ángulo.
   • Captar tanto el buen orden local como la posición de largo alcance.
5. What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
   • Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
   • Guarantee accurate recall at any sequence length with no evaluation
   • Remove position information from attention
   • Replace all token embeddings with absolute learned vectors
6. Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
   • Yes; it adds one learned vector for every possible sequence position
   • No; it applies position-dependent rotations to paired query/key dimensions
   • It removes query and key vectors entirely
   • It only adds position to value vectors
7. What does standard RoPE alone guarantee about a model’s context length?
   • Unlimited accurate context at every position
   • A fixed context of exactly 128 tokens
   • It does not by itself guarantee reliable use beyond the trained context length
   • Removal of the attention mechanism
8. What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
   • Exactly 1,000 tokens with no position changes
   • Unlimited context with no fine-tuning
   • Up to 2 million tokens for all models
   • Up to 32,768 tokens with minimal fine-tuning