एजेंटों का मिश्रण एकत्रीकरण प्रश्नोत्तरी

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

1. एजेंटों के मिश्रण में, एग्रीगेटर मॉडल की क्या भूमिका है?
   • प्रस्तावक मॉडलों की प्रतिक्रियाओं को एक बेहतर उत्तर में संश्लेषित करना
   • एक ड्राफ़्ट को छोड़कर सभी को यादृच्छिक रूप से हटाने के लिए
   • प्रॉम्प्ट को कोड में अनुवाद करने के लिए
   • प्रस्तावक मॉडलों को प्रशिक्षित करना
2. एमओए पेपर एलएलएम की किस प्रमुख संपत्ति पर निर्भर करता है?
   • वह एलएलएम अन्य मॉडलों के आउटपुट को नहीं पढ़ सकता है
   • जब साथियों की प्रतिक्रियाएँ ('सहयोगात्मकता') दिखाई जाती हैं तो एलएलएम बेहतर उत्तर देते हैं
   • वह एलएलएम हमेशा सहमत होते हैं
   • बड़े मॉडल अनावश्यक हैं
3. MoA साधारण बहुमत मतदान से किस प्रकार भिन्न है?
   • यह शब्दशः सबसे सामान्य उत्तर चुनता है
   • यह केवल एक मॉडल का उपयोग करता है
   • एग्रीगेटर सभी ड्राफ्ट को संदर्भ के रूप में पढ़ता है और एक नया संश्लेषण उत्पन्न करता है
   • यह प्रस्तावकों को पूरी तरह से नजरअंदाज करता है
4. MoA में प्रस्तावक मॉडलों के बीच विविधता मूल्यवान क्यों है?
   • यह समान आउटपुट की गारंटी देता है
   • यह परतों की संख्या को शून्य कर देता है
   • इससे सभी उत्तर गलत हो जाते हैं
   • विभिन्न मॉडल परिवार पूरक शक्तियों का योगदान करते हैं जिन्हें एग्रीगेटर संयोजित कर सकता है
5. एमओए दृष्टिकोण की मुख्य व्यावहारिक लागत क्या है?
   • उच्च विलंबता और गणना, क्योंकि प्रत्येक परत मॉडल कॉल को गुणा करती है
   • इसके लिए किसी अनुमान की बिल्कुल भी आवश्यकता नहीं है
   • यह केवल एक शब्द आउटपुट कर सकता है
   • यह मूल संकेत को हटा देता है
6. MoA पेपर ने AlpacaEval 2.0 पर ओपन-सोर्स मॉडल के बारे में क्या रिपोर्ट दी?
   • वे बेंचमार्क नहीं चला सके
   • खुले मॉडलों का एक MoA GPT-4 ओमनी के स्कोर से आगे निकल गया
   • ओपन मॉडल हमेशा शून्य अंक प्राप्त करते हैं
   • केवल बंद मॉडलों का परीक्षण किया गया
7. What information is given to an agent in a later Mixture-of-Agents layer?
   • Only the original prompt with all earlier drafts removed
   • Only a majority-vote label
   • The outputs produced by agents in the preceding layer
   • A gradient update from each previous model
8. What is the purpose of placing several proposer models in the first MoA layer?
   • Train a shared base model from scratch
   • Choose one response by majority vote and discard the rest
   • Compress all outputs into a single token
   • Create a set of candidate responses for later agents and the aggregator to use