गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
बेस्ट-ऑफ़-एन सैम्पलिंग और रीरैंकिंग क्विज़
सर्वश्रेष्ठ-ऑफ़-एन चयन, स्कोरर सीमाएं, अनुमान-समय की लागत और अधिक उम्मीदवारों के नमूने लेने के पीछे की संभाव्यता धारणाओं को समझें।
प्रश्न 1 का 8
बेस्ट-ऑफ-एन सैंपलिंग का मूल विचार क्या है?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- बेस्ट-ऑफ-एन सैंपलिंग का मूल विचार क्या है?
- एन उम्मीदवार आउटपुट उत्पन्न करें और स्कोरर के साथ सर्वश्रेष्ठ चुनें
- मॉडल को एन बार प्रशिक्षित करें और वजन का औसत रखें
- मॉडल द्वारा उत्पादित केवल पहले आउटपुट का उपयोग करें
- शब्दावली को एन टोकन तक कम करें
- When is best-of-N most likely to help?
- When every output is equally good
- When the model sometimes samples a correct candidate and a reliable verifier can identify it
- When the task has no way to assess candidates
- When sampling is disabled
- मोटे तौर पर यह क्या निर्धारित करता है कि बेस्ट-ऑफ-एन वास्तव में परिणामों में सुधार करता है या नहीं?
- यूजर इंटरफ़ेस का रंग
- केवल प्रॉम्प्ट की लंबाई
- स्कोरर या सत्यापनकर्ता की गुणवत्ता और मजबूती
- मॉडल की शब्दावली का आकार
- What can happen when N becomes large and the reward model is an imperfect proxy?
- The model’s tokenizer is removed
- The model forgets its training weights
- All candidates become identical
- Selection can favor outputs that exploit scorer errors and reduce true quality
- किस सरल पुनर्रैंकिंग रणनीति को आत्म-स्थिरता के रूप में भी जाना जाता है?
- नमूना उत्तरों के बीच बहुमत मतदान
- सबसे लंबा उत्तर चुनना
- एक यादृच्छिक नमूना चुनना
- हमेशा सबसे कम संभावना वाला आउटपुट लेना
- What mainly drives the generation cost of best-of-N?
- Only the number of vocabulary entries
- The total amount of text generated across the sampled candidates
- The user interface color
- The number of model training runs
- If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
- p/N
- N−p
- 1−(1−p)^N
- 1−p^N
- Which assumption is needed for the simple 1−(1−p)^N success formula?
- Every response has a different length
- The model is retrained after each sample
- The reward model has no parameters
- The candidate samples are independent and the verifier recognizes success perfectly