Prueba de decodificación especulativa

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

1. ¿Cómo acelera la decodificación especulativa la generación a partir de un modelo grande?
   • Un modelo borrador pequeño adivina varios tokens que el modelo grande verifica en paralelo
   • Comprimir el modelo a la mitad de su tamaño de forma permanente
   • Quitar el mecanismo de atención
   • Entrenando el modelo con más datos
2. For a large model at low batch size, why can one-token autoregressive decoding be slow?
   • Each token requires internet access
   • Repeated reads of large model weights can make decoding memory-bandwidth bound
   • The model permanently stores a full copy of every possible output
   • The tokenizer performs the model’s matrix multiplications
3. In greedy speculative decoding, what happens at the first token where draft and target predictions disagree?
   • The whole conversation is thrown away and restarted from scratch
   • El borrador del modelo se vuelve a entrenar inmediatamente.
   • The matching prefix is kept, the target token is used at the mismatch, and later draft tokens are discarded
   • La calidad de salida se degrada permanentemente
4. Under exact speculative sampling, how does the output distribution compare with sampling from the target model alone?
   • It is always lower quality but faster
   • It is identical only when the draft model is larger
   • It becomes deterministic regardless of target sampling
   • It is identical in distribution
5. ¿Qué determina más directamente la aceleración de la decodificación especulativa?
   • La tasa de aceptación de las conjeturas del borrador del modelo.
   • El color de la GPU
   • La longitud del nombre del modelo.
   • la hora del dia
6. ¿Qué tienen en común Medusa y EAGLE como enfoques?
   • Requieren hardware cuántico
   • Eliminan la necesidad de un modelo de borrador independiente y separado.
   • Eliminan el modelo objetivo
   • Sólo funcionan con imágenes.
7. What should a serving team measure before claiming speculative decoding will speed up its workload?
   • Only the target model’s parameter count
   • Only whether the draft produces fluent text
   • Draft cost, target verification cost, accepted tokens and end-to-end latency under representative traffic
   • The number of tokenizer files
8. In exact speculative sampling, what happens when a proposed token is rejected?
   • The whole conversation is discarded
   • The target model is permanently changed
   • The rejected token is kept without verification
   • A correction step samples from the distribution needed to preserve the target model’s output distribution