न्यूक्लियस और टॉप-के सैंपलिंग क्विज़

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

1. टॉप-के नमूनाकरण टोकन विकल्पों को कैसे प्रतिबंधित करता है?
   • यह केवल k उच्चतम-संभावना वाले टोकन रखता है, फिर उनके बीच नमूने रखता है
   • यह तब तक टोकन रखता है जब तक संचयी संभावना k से अधिक न हो जाए
   • यह हमेशा एकल सर्वाधिक संभावित टोकन का चयन करता है
   • यह केवल k कम से कम संभावित टोकन को हटाता है
2. नाभिक (शीर्ष-पी) नमूने में 'नाभिक' को क्या परिभाषित करता है?
   • प्रशिक्षण डेटा में k सबसे अधिक बार आने वाले शब्द
   • टोकन का सबसे छोटा सेट जिसकी संभावनाओं का योग कम से कम p होता है
   • एकल उच्चतम संभावना वाला टोकन
   • 50% से अधिक संभावना वाले सभी टोकन
3. टॉप-के की तुलना में टॉप-पी का मुख्य लाभ क्या है?
   • यह गणना करने में हमेशा तेज़ होता है
   • यह कभी भी यादृच्छिक आउटपुट उत्पन्न नहीं करता है
   • उम्मीदवार टोकन की संख्या मॉडल के विश्वास के अनुकूल होती है
   • यह टोकन संभावनाओं को नजरअंदाज करता है
4. नमूना लेने से पहले तापमान पैरामीटर क्या करता है?
   • यह अधिकतम अनुक्रम लंबाई निर्धारित करता है
   • यह आउटपुट की भाषा का चयन करता है
   • यह शब्दावली के आकार की गणना करता है
   • यह संभाव्यता वितरण को अधिक तीव्र या सपाट बनाने के लिए पुनः मापता है
5. What result did the nucleus-sampling paper report for its tested open-ended generation tasks?
   • It improved diversity without sacrificing fluency and coherence in the reported comparisons
   • It guaranteed factual correctness in every output
   • It eliminated all sampling randomness
   • It improved translation quality on every benchmark
6. For a greedy decoding baseline with no token sampling, how should generation be configured?
   • Disable sampling and use greedy decoding to select the highest-probability token at each step
   • Use high temperature and a large nucleus threshold
   • Randomize the temperature at every step
   • Keep sampling enabled but increase top-p
7. After top-k truncation removes tokens, what happens to the remaining sampling probabilities?
   • They remain assigned their original total mass below one
   • They are replaced with equal probabilities
   • They are renormalized over the retained top-k tokens
   • They are converted into beam-search scores
8. What did Holtzman et al. report about likelihood-maximizing decoding for open-ended text?
   • It always yields the most diverse human-like passages
   • यह भाषा मॉडल की आवश्यकता को समाप्त कर देता है
   • It guarantees factual correctness
   • It can produce bland and repetitive text despite strong likelihood scores