बीम खोज प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. बीम खोज में 'बीम चौड़ाई' (k) क्या नियंत्रित करती है?
   • प्रत्येक डिकोडिंग चरण में कितने आंशिक उम्मीदवार अनुक्रम रखे गए हैं
   • उत्पन्न अनुक्रम की अधिकतम लंबाई
   • तापमान संभावनाओं पर लागू होता है
   • मॉडल की शब्दावली का आकार
2. बीम खोज लालची डिकोडिंग से किस प्रकार भिन्न है?
   • यह हमेशा एकल उच्चतम-संभावना वाला टोकन चुनता है
   • यह किसी एक को प्रतिबद्ध करने के बजाय कई उच्च स्कोरिंग आंशिक अनुक्रम रखता है
   • यह यादृच्छिक रूप से टोकन का नमूना लेता है
   • यह टोकन संभावनाओं को पूरी तरह से नजरअंदाज कर देता है
3. बीम खोज में आमतौर पर लंबाई सामान्यीकरण क्यों लागू किया जाता है?
   • पीढ़ी को तेज़ बनाने के लिए
   • शब्दावली का आकार बढ़ाने के लिए
   • क्योंकि संक्षेप में लॉग-संभावनाएं पूर्वाग्रह स्कोर को छोटे अनुक्रमों की ओर ले जाती हैं
   • आउटपुट में यादृच्छिकता जोड़ने के लिए
4. बीम खोज किस कार्य के लिए विशेष रूप से उपयुक्त है?
   • मुक्त-स्तरीय रचनात्मक कहानी सुनाना
   • अधिकतम विविध यादृच्छिक पाठ उत्पन्न करना
   • अप्रत्याशित कविता का निर्माण
   • मशीनी अनुवाद, जहां एक विश्वसनीय उच्च-संभावना आउटपुट वांछित है
5. ओपन-एंडेड पीढ़ी के लिए बहुत बड़ी बीम चौड़ाई का उपयोग करने का ज्ञात नुकसान क्या है?
   • यह धुंधला, दोहरावदार या विकृत पाठ उत्पन्न कर सकता है
   • यह सर्वाधिक रचनात्मक आउटपुट की गारंटी देता है
   • यह किसी भी संभाव्यता मॉडल की आवश्यकता को हटा देता है
   • यह मॉडल को इनपुट को अनदेखा कर देता है
6. प्रत्येक चरण में, बीम खोज यह कैसे तय करती है कि किन उम्मीदवारों को रखा जाए?
   • टोकन के वर्णानुक्रम के अनुसार
   • संचयी स्कोर (लॉग-संभावनाओं का योग) द्वारा, शीर्ष k रखते हुए
   • सबसे लंबे उम्मीदवारों को चुनकर
   • सभी उम्मीदवारों के बीच यादृच्छिक चयन द्वारा
7. What problem does GNMT’s coverage penalty aim to reduce in translation?
   • Repeatedly encoding the same source vocabulary
   • The use of subword units
   • Output translations that fail to cover source words
   • The number of encoder layers
8. What does diverse beam search modify to encourage different candidate outputs?
   • It replaces the model probabilities with uniform random scores
   • It removes all but one candidate at the first step
   • It changes the training tokenizer after decoding
   • It penalizes similarity or overlap among candidates in different beam groups