Prueba de leyes de escala para redes neuronales

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

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. ¿Cuáles tres cantidades relacionan las leyes de escala originales con la pérdida?
   • Tamaño de lote, abandono y épocas
   • Parámetros del modelo, tamaño del conjunto de datos y cálculo
   • Tasa de aprendizaje, caída de peso y profundidad.
   • Recuento de GPU, memoria y latencia
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • It eliminates the need for validation
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. ¿Qué representa el término constante (irreducible) en una fórmula de pérdida de ley de escala?
   • Un error de software
   • La tasa de aprendizaje
   • La cantidad de GPU
   • La entropía intrínseca de los datos que ningún modelo puede superar
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. ¿Qué tendencia está impulsando el campo más allá del simple escalamiento de "cuanto más grande, mejor"?
   • Las GPU se vuelven gratuitas
   • Escasez de datos de alta calidad más límites de energía y costos
   • Aparece texto ilimitado de alta calidad.
   • Curvas de pérdida que se convierten en líneas verticales rectas.
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence