Quiz de décodage anticipé

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

1. Qu’est-ce qui distingue le décodage anticipé du décodage spéculatif standard ?
   • Cela nécessite deux modèles formés séparément
   • Il n'utilise aucun modèle de brouillon distinct, uniquement le modèle cible lui-même.
   • Cela ne fonctionne que pour les tâches de traduction
   • Il quantifie en permanence le modèle
2. Quelle méthode numérique sous-tend le décodage anticipé ?
   • Descente de gradient
   • Transformée de Fourier
   • K-means clustering
   • Itération de Jacobi (virgule fixe)
3. Quelles sont les deux branches parallèles qui s’exécutent à chaque étape ?
   • Une branche formation et une branche tests
   • Un encodeur et un décodeur
   • Une branche d'anticipation et une branche de vérification
   • Un projet de modèle et un modèle cible
4. Qu'est-ce qui est stocké dans le « pool n-gram » ?
   • Séquences multi-jetons plausibles observées lors des itérations parallèles
   • L'historique des discussions de l'utilisateur
   • Poids du modèle
   • Masques d'attention
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed