Cuestionario sobre el uso de herramientas y formadores de herramientas autodidactas

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

1. ¿Qué hace que el enfoque de Toolformer sobre el uso de herramientas de aprendizaje sea distintivo?
   • Genera y filtra sus propios ejemplos de capacitación de llamadas de herramientas de forma autosupervisada.
   • Se basa en miles de llamadas a herramientas etiquetadas por humanos.
   • Utiliza aprendizaje por refuerzo únicamente a partir de comentarios humanos.
   • Codifica manualmente cada llamada de herramienta
2. ¿Qué criterio utiliza Toolformer para decidir si mantiene una llamada API candidata?
   • Si un evaluador humano lo aprueba
   • Si el resultado de la llamada reduce la pérdida del modelo en los siguientes tokens
   • Si la llamada devuelve una cadena no vacía
   • Si la llamada se ejecuta en menos de un segundo
3. ¿Qué conjunto de herramientas aprendió a utilizar el Toolformer original?
   • Generador de imágenes, sintetizador de música y renderizador 3D.
   • Sólo un intérprete de Python
   • Calculadora, sistema de control de calidad, motor de búsqueda, traductor y calendario
   • Solo un navegador web y un sistema de archivos
4. ¿Cómo se representan las llamadas a herramientas en el texto durante el proceso de Toolformer?
   • Como canales de audio separados
   • Como imágenes adjuntas al documento.
   • Solo como entradas en una base de datos externa
   • Como tokens especiales que marcan la llamada API y su resultado en línea
5. ¿Qué debilidad subyacente de los grandes modelos de lenguaje motivó a Toolformer?
   • Son pobres en aritmética, hechos actuales y búsquedas precisas.
   • No pueden generar oraciones fluidas.
   • No se pueden afinar
   • Solo trabajan en ingles.
6. Después de generar y filtrar ejemplos de llamadas a herramientas, ¿qué hace Toolformer con ellos?
   • Los descarta y comienza de nuevo.
   • Ajusta el modelo en el conjunto de datos filtrado y autogenerado.
   • Los envía a anotadores humanos para volver a etiquetarlos.
   • Los almacena sólo para su evaluación.
7. Why compare the next-token loss with and without an API result when filtering a candidate call?
   • To select the API with the longest response
   • To remove all calls that change the context
   • To retain calls whose result improves prediction of the following real text
   • To maximize the number of API calls per paragraph
8. Once useful tool-call examples are filtered, how does Toolformer incorporate them?
   • It discards them and trains only on human ratings
   • It changes the API results into class labels
   • It retrains each external API from scratch
   • It fine-tunes on the resulting self-generated examples