लॉगिट पूर्वाग्रह प्रश्नोत्तरी

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

1. लॉगिट बायस क्या संशोधित करता है?
   • नमूना लेने से पहले विशिष्ट टोकन का स्कोर (लॉगिट)।
   • मॉडल का प्रशिक्षण भार स्थायी रूप से होता है
   • पूरे प्रॉम्प्ट का तापमान
   • संदर्भ विंडो में टोकन की संख्या
2. कई एपीआई में, एक टोकन पर -100 का लॉगिट पूर्वाग्रह क्या पूरा करता है?
   • टोकन को 100 गुना अधिक संभावित बनाता है
   • टोकन को जनरेट होने से प्रभावी रूप से रोकता है
   • शब्दावली से टोकन को हमेशा के लिए हटा देता है
   • मॉडल की गति दोगुनी हो जाती है
3. What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
   • From 0 to 1 only
   • From -1 to 1 only
   • From -100 to 100
   • Any string value
4. लॉगिट बायस किस पहचानकर्ता से जुड़ा है?
   • सादा पाठ शब्द
   • वाक्य स्थिति
   • मॉडल का नाम
   • संख्यात्मक टोकन आईडी
5. क्योंकि लॉग को सॉफ्टमैक्स के माध्यम से पारित किया जाता है, सकारात्मक पूर्वाग्रह जोड़ने का क्या प्रभाव होता है?
   • यह सामान्यीकरण से पहले टोकन के सापेक्ष वजन को तेजी से बढ़ाता है
   • यह रैखिक रूप से एक निश्चित संभावना जोड़ता है
   • ट्रेनिंग तक इसका कोई असर नहीं होता
   • यह टोकन को विचार से हटा देता है
6. फ़ाइन-ट्यूनिंग की तुलना में लॉगिट पूर्वाग्रह का एक प्रमुख लाभ यह है कि:
   • मॉडल के ज्ञान में स्थायी रूप से सुधार होता है
   • किसी पुनर्प्रशिक्षण की आवश्यकता नहीं है और यह अनुरोध के अनुसार लागू होता है
   • संदर्भ विंडो का आकार बढ़ाता है
   • केवल छवियों पर काम करता है
7. Why should a developer inspect the tokenizer before applying a bias to a visible word?
   • Token IDs are assigned only after sampling
   • Visible words always equal one token
   • The word may be represented by several token IDs, so biasing one ID may not cover all forms
   • The tokenizer controls the model’s training data
8. What is a practical risk of applying a strong positive bias to one token?
   • It increases the context window
   • It changes the model weights permanently
   • It guarantees the token appears exactly once
   • It can distort generation or produce repetitive, awkward text