Quiz lié à un guide · Moyen Niveau

Quiz sur l'agrégation de mélanges d'agents

Examinez les rôles de proposant et d’agrégateur du MoA, le partage à plusieurs niveaux des brouillons, les effets de collaboration et les compromis entre les coûts d’inférence.

Chemins de guidage associésMélange d’Agrégation d’Agents
Question 1 de 8

Dans Mixture-of-Agents, quel est le rôle du modèle agrégateur ?

Prévisualisez chaque question8 des questions

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

  1. Dans Mixture-of-Agents, quel est le rôle du modèle agrégateur ?
    • Synthétiser les réponses des modèles de proposants en une seule réponse améliorée
    • Pour supprimer aléatoirement tous les brouillons sauf un
    • Pour traduire l'invite en code
    • Former les modèles proposants
  2. Sur quelle propriété clé des LLM le document du MoA s'appuie-t-il ?
    • Que les LLM ne peuvent pas lire les sorties d'autres modèles
    • Les LLM produisent de meilleures réponses lorsqu'on leur montre les réponses de leurs pairs (« collaboration »)
    • Que les LLM sont toujours d'accord
    • Que les modèles plus grands sont inutiles
  3. En quoi le MoA diffère-t-il du vote à la majorité simple ?
    • Il sélectionne textuellement la réponse la plus courante
    • Il utilise un seul modèle
    • L'agrégateur lit tous les brouillons comme contexte et génère une nouvelle synthèse
    • Il ignore complètement les proposants
  4. Pourquoi la diversité parmi les modèles de proposants est-elle précieuse dans le MoA ?
    • Il garantit des résultats identiques
    • Il réduit le nombre de couches à zéro
    • Cela rend toutes les réponses fausses
    • Différentes familles de modèles apportent des atouts complémentaires que l'agrégateur peut combiner
  5. Quel est le principal coût pratique de l’approche MoA ?
    • Latence et calcul plus élevés, puisque chaque couche multiplie les appels de modèle
    • Cela ne nécessite aucune inférence
    • Il ne peut produire qu'un seul mot
    • Il supprime l'invite d'origine
  6. Que rapporte le document du MoA sur les modèles open source sur AlpacaEval 2.0 ?
    • Ils n'ont pas pu exécuter le benchmark
    • Un MoA de modèles ouverts a dépassé le score de GPT-4 Omni
    • Les modèles ouverts ont toujours obtenu un score nul
    • Seuls les modèles fermés ont été testés
  7. What information is given to an agent in a later Mixture-of-Agents layer?
    • Only the original prompt with all earlier drafts removed
    • Only a majority-vote label
    • The outputs produced by agents in the preceding layer
    • A gradient update from each previous model
  8. What is the purpose of placing several proposer models in the first MoA layer?
    • Train a shared base model from scratch
    • Choose one response by majority vote and discard the rest
    • Compress all outputs into a single token
    • Create a set of candidate responses for later agents and the aggregator to use