Quiz lié à un guide · Difficile Niveau

Mirostat Perplexity Quiz de contrôle

Couvre la surprise/perplexité cible de Mirostat, le seuil de retour, le taux de mise à jour, les différences de version et les limites en tant qu'heuristique de décodage.

Chemins de guidage associésMirostat Perplexity Contrôle
Question 1 de 8

What does Mirostat try to control during generation?

Prévisualisez chaque question8 des questions

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

  1. What does Mirostat try to control during generation?
    • A target level of output perplexity or surprise
    • Le nombre de paramètres du modèle
    • The training dataset size
    • La température du GPU
  2. En quoi Mirostat est-il fondamentalement différent de l’échantillonnage top-k ou top-p standard ?
    • Il n'utilise jamais le hasard
    • Il ajuste dynamiquement la troncature à l'aide d'un feedback au lieu d'un seuil fixe
    • Cela ne fonctionne que sur les images
    • Cela nécessite de recycler le modèle
  3. Dans Mirostat, quel rôle joue le paramètre eta ?
    • Il définit la taille du vocabulaire
    • Il corrige la longueur de sortie
    • C'est le taux d'apprentissage qui contrôle la rapidité avec laquelle le seuil s'adapte
    • Il désactive l'échantillonnage
  4. Quelle est la principale amélioration de Mirostat version 2 par rapport à la version 1 ?
    • Il génère aussi des images
    • Cela nécessite plus de mémoire
    • Il supprime le paramètre tau
    • Il abandonne l'hypothèse d'une distribution Zipfienne pour un contrôle plus simple et plus robuste.
  5. Si Mirostat détecte que la sortie devient trop prévisible, il :
    • Assouplir la troncature pour admettre des jetons plus diversifiés
    • Renforcer la troncature pour autoriser moins de jetons
    • Arrêtez de générer immédiatement
    • Augmenter la taille du modèle
  6. Which Mirostat settings does current llama.cpp expose?
    • Tokenizer vocabulary and number of layers
    • Mode, target tau, and learning-rate eta
    • Only the prompt length
    • Training epochs and validation loss
  7. What does eta control in Mirostat’s feedback update?
    • The size of the model vocabulary
    • The target number of output tokens
    • How strongly the threshold changes in response to the observed error
    • The probability of a correct factual answer
  8. What does a Mirostat target not guarantee by itself?
    • That the sampler reads token probabilities
    • That the setting can influence surprise
    • That the output contains tokens
    • That the generated text is factually correct