गणित तर्क प्रश्नोत्तरी के लिए प्रक्रिया पर्यवेक्षण

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

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. गणित की समस्याओं के लिए केवल-परिणाम पर्यवेक्षण भ्रामक क्यों हो सकता है?
   • इसकी गणना करना बहुत धीमा है
   • यह दशमलव को संभाल नहीं सकता
   • प्रत्येक समस्या के लिए मानव ग्रेडर की आवश्यकता होती है
   • एक मॉडल त्रुटिपूर्ण चरणों के माध्यम से सही उत्तर तक पहुंच सकता है जो रद्द हो जाते हैं
3. OpenAI ने 'आइए चरण दर चरण सत्यापित करें' कार्य के साथ क्या जारी किया?
   • PRM800K, ~800,000 चरण-स्तरीय लेबल का एक डेटासेट
   • एक नया GPU आर्किटेक्चर
   • GSM8K परीक्षण सेट
   • एक शतरंज इंजन
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. कौन सा दृष्टिकोण महंगे मानव चरण लेबल की आवश्यकता को कम करता है?
   • इनाम मॉडल को पूरी तरह से अक्षम करना
   • मोंटे कार्लो रोलआउट जो प्रत्येक चरण के मूल्य का स्वचालित रूप से अनुमान लगाता है (उदाहरण के लिए, मैथ-शेफर्ड)
   • केवल अंतिम उत्तर का उपयोग करना
   • अधिक भाषाओं पर प्रशिक्षण
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0.8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label