Quiz de formation d'outils et d'utilisation d'outils autodidactes

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

1. Qu'est-ce qui rend l'approche de Toolformer en matière d'utilisation des outils d'apprentissage distinctive ?
   • Il génère et filtre ses propres exemples de formation d'appels d'outils auto-supervisés
   • Il s'appuie sur des milliers d'appels d'outils étiquetés par des humains
   • Il utilise uniquement l'apprentissage par renforcement à partir des commentaires humains.
   • Il code en dur chaque appel d'outil à la main
2. Quel critère Toolformer utilise-t-il pour décider de conserver ou non un appel d'API candidat ?
   • Si un évaluateur humain l'approuve
   • Si le résultat de l'appel réduit la perte du modèle sur les jetons suivants
   • Si l'appel renvoie une chaîne non vide
   • Si l'appel dure moins d'une seconde
3. Quel ensemble d'outils le Toolformer original a-t-il appris à utiliser ?
   • Générateur d'images, synthétiseur de musique et moteur de rendu 3D
   • Uniquement un interpréteur Python
   • Calculatrice, système d'assurance qualité, moteur de recherche, traducteur et calendrier
   • Un navigateur Web et un système de fichiers uniquement
4. Comment les appels d'outils sont-ils représentés dans le texte pendant le processus de Toolformer ?
   • En tant que canaux audio séparés
   • Comme images annexées au document
   • En tant qu'entrées dans une base de données externe uniquement
   • En tant que jetons spéciaux marquant l'appel API et son résultat en ligne
5. Quelle faiblesse sous-jacente des grands modèles de langage a motivé Toolformer ?
   • Ils sont mauvais en arithmétique, en faits actuels et en recherches précises.
   • Ils ne peuvent pas générer de phrases fluides
   • Ils ne peuvent pas être réglés avec précision
   • Ils ne travaillent qu'en anglais
6. Après avoir généré et filtré des exemples d’appels d’outils, que fait Toolformer avec eux ?
   • Les rejette et recommence
   • Affine le modèle sur l'ensemble de données filtré et auto-généré
   • Les envoie à des annotateurs humains pour réétiquetage
   • Les stocke uniquement pour évaluation
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