Quiz de recherche de faisceaux

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Que contrôle la « largeur du faisceau » (k) dans la recherche de faisceau ?
   • Combien de séquences candidates partielles sont conservées à chaque étape de décodage
   • La longueur maximale de la séquence générée
   • La température appliquée aux probabilités
   • La taille du vocabulaire du modèle
2. En quoi la recherche de faisceau diffère-t-elle du décodage gourmand ?
   • Il choisit toujours le jeton ayant la probabilité la plus élevée
   • Il conserve plusieurs séquences partielles avec des scores élevés au lieu de s'engager sur une seule.
   • Il échantillonne les jetons au hasard
   • Il ignore entièrement les probabilités des jetons
3. Pourquoi la normalisation de longueur est-elle couramment appliquée dans la recherche de faisceaux ?
   • Pour accélérer la génération
   • Pour augmenter la taille du vocabulaire
   • Parce que la somme des log-probabilités biaise les scores vers des séquences plus courtes
   • Pour ajouter du caractère aléatoire aux sorties
4. Pour quelle tâche la recherche par faisceau est-elle particulièrement adaptée ?
   • Une narration créative ouverte
   • Générer un texte aléatoire le plus diversifié possible
   • Produire une poésie imprévisible
   • Traduction automatique, lorsqu'un résultat fidèle à haute probabilité est souhaité
5. Quel est l’inconvénient connu de l’utilisation d’une très grande largeur de faisceau pour la génération ouverte ?
   • Il peut produire un texte fade, répétitif ou dégénéré
   • Il garantit la sortie la plus créative
   • Cela supprime le besoin de tout modèle de probabilité
   • Cela fait que le modèle ignore l'entrée
6. À chaque étape, comment la recherche par faisceau décide-t-elle quels candidats conserver ?
   • Par ordre alphabétique des jetons
   • Par score cumulé (somme des log-probabilités), en gardant le top k
   • En choisissant les candidats les plus longs
   • Par sélection aléatoire parmi tous les candidats
7. What problem does GNMT’s coverage penalty aim to reduce in translation?
   • Repeatedly encoding the same source vocabulary
   • The use of subword units
   • Output translations that fail to cover source words
   • The number of encoder layers
8. What does diverse beam search modify to encourage different candidate outputs?
   • It replaces the model probabilities with uniform random scores
   • It removes all but one candidate at the first step
   • It changes the training tokenizer after decoding
   • It penalizes similarity or overlap among candidates in different beam groups