Cuestionario vinculado a una guía · duro Nivel

Prueba de verificación de muestreo especulativo

Prueba el muestreo especulativo exacto, las probabilidades de aceptación y corrección, los costos de borrador y las limitaciones de sus afirmaciones de desempeño.

Rutas de guía relacionadasVerificación de muestreo especulativo
Pregunta 1 de 8

¿Cuál es la idea central detrás del muestreo especulativo?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Cuál es la idea central detrás del muestreo especulativo?
    • Utilice un modelo borrador pequeño para proponer múltiples tokens que un modelo grande verifica en paralelo
    • Entrene un modelo gigante para saltar capas dinámicamente
    • Almacene en caché cada oración posible por adelantado
    • Reemplace el muestreo con decodificación codiciosa para ahorrar tiempo
  2. ¿Por qué el muestreo especulativo no degrada la calidad de la producción?
    • Porque el borrador del modelo siempre es correcto
    • Porque la regla de verificación hace que la distribución final sea idéntica al muestreo objetivo puro
    • Porque solo funciona con indicaciones breves.
    • Porque promedia las salidas de los dos modelos.
  3. In exact speculative sampling, what happens when a drafted token is rejected?
    • It outputs the rejected draft token unchanged
    • It discards the entire conversation and restarts
    • The algorithm samples from a corrected residual distribution at that position
    • It permanently changes the target model
  4. Under exact speculative sampling, what is guaranteed about the output distribution?
    • It is always deterministic
    • It matches the draft model’s distribution instead
    • It is more diverse than every target-model output
    • It matches the target model’s sampling distribution
  5. What information does the target verification pass provide in exact speculative sampling?
    • Target probabilities for proposed positions, used for acceptance tests and residual resampling
    • A guarantee that no target-model computation is needed
    • Only the draft model’s next-token distribution
    • A corrected token sequence without any sampling
  6. Which description correctly distinguishes two self-speculative approaches?
    • Both use only an unrelated small draft model
    • Medusa adds prediction heads, while EAGLE uses feature-space proposals
    • Medusa is a tokenizer and EAGLE is a reward model
    • Both remove the target model from decoding
  7. The draft assigns probability 0.8 to a token and the target assigns 0.4. What is the speculative acceptance probability?
    • 0.2
    • 0.4
    • 0,5
    • 1.0
  8. What most limits speculative sampling’s realized speedup?
    • The color of the model’s interface
    • The target model’s name length
    • Whether the prompt contains punctuation
    • The draft-model cost and how much proposed work the target accepts