Quiz de raisonnement sur l'arbre des pensées

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

1. En quoi l’Arbre des Pensées diffère-t-il de l’incitation à la chaîne de pensée ?
   • Il explore plusieurs chemins de raisonnement à embranchements au lieu d'une seule chaîne linéaire
   • Il supprime complètement les étapes de raisonnement
   • Cela ne fonctionne que sur les entrées d'image
   • Il n'utilise aucun modèle de langage
2. Dans l'Arbre des Pensées, que représente généralement un seul nœud ?
   • Une réponse finale complète seulement
   • Une solution partielle ou une « pensée » intermédiaire
   • Une requête d'utilisateur
   • Un poids entraîné
3. Quel rôle l’évaluateur d’État joue-t-il dans Tree-of-Thoughts ?
   • Il écrit la réponse finale destinée à l'utilisateur
   • Il supprime la mémoire du modèle
   • Il montre à quel point les solutions partielles sont prometteuses pour que les branches faibles puissent être taillées.
   • Il traduit entre les langues
4. Sur le benchmark Game of 24, ToT a considérablement surperformé la chaîne de pensée, à peu près de quel saut ?
   • De 90% à 95% de réussite
   • Aucune amélioration du tout
   • De 50% à 51% de réussite
   • D'environ 4 % à environ 74 % de réussite
5. Quelles stratégies de recherche sont couramment utilisées pour naviguer dans l’arbre à pensées ?
   • Recherche en largeur, en profondeur ou par faisceau
   • Seulement des suppositions aléatoires
   • Tri alphabétique
   • Descente de dégradé sur les pixels
6. Quel est le principal compromis en termes de coût lié à l’utilisation de Tree-of-Thoughts ?
   • Cela réduit la précision pour gagner du temps
   • Cela nécessite plus de calcul d'inférence en échange d'une plus grande précision
   • Il n'a besoin d'aucun appel de modèle au-delà d'un
   • Cela ne fonctionne que hors ligne
7. At one Tree-of-Thoughts node, what does the thought generator typically produce?
   • A final answer only, with no intermediate states
   • A new model checkpoint
   • Several candidate next thoughts that could extend the partial solution
   • A set of training labels for the prompt
8. What decision does the ToT search procedure make after candidate states are generated and scored?
   • Which tokenizer the model should use
   • Whether to change the model’s weights
   • How to label the original training corpus
   • Which branches to expand and which to prune or stop exploring