शीघ्र ट्यूनिंग प्रश्नोत्तरी

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

1. प्रॉम्प्ट ट्यूनिंग में 'सॉफ्ट प्रॉम्प्ट' क्या है?
   • निरंतर एम्बेडिंग वैक्टर सीखे जिन्हें वास्तविक शब्दों में मैप करने की आवश्यकता नहीं है
   • विनम्रतापूर्वक शब्दों में लिखा गया पाठ निर्देश
   • मॉडल की एक छोटी आसुत प्रति
   • जमे हुए आउटपुट लॉग का एक सेट
2. प्रॉम्प्ट ट्यूनिंग अपने प्रशिक्षण योग्य वैक्टर को कहाँ जोड़ती है?
   • प्रत्येक ट्रांसफार्मर परत पर
   • केवल इनपुट एम्बेडिंग परत पर
   • केवल आउटपुट लेयर पर
   • अनुकूलक स्थिति के अंदर
3. मूल पेपर ने मॉडल स्केल के बारे में किस आश्चर्यजनक प्रभाव पर प्रकाश डाला?
   • जैसे-जैसे मॉडल बढ़ते हैं, प्रॉम्प्ट ट्यूनिंग ख़राब होती जाती है
   • त्वरित ट्यूनिंग पर स्केल का कोई प्रभाव नहीं पड़ता है
   • जैसे-जैसे मॉडल बड़े होते जाते हैं, त्वरित ट्यूनिंग पूर्ण फाइन-ट्यूनिंग गुणवत्ता तक पहुंचती है
   • बड़े मॉडलों को अब शीघ्र ट्यून नहीं किया जा सकता
4. शीघ्र ट्यूनिंग की शुरुआत किसने की?
   • 2016 में डीपमाइंड
   • 2023 में Anthropic
   • 2019 में Microsoft
   • 2021 में Google (लेस्टर, अल-रफौ, कॉन्स्टेंट) के शोधकर्ता
5. त्वरित ट्यूनिंग एक मॉडल से कई कार्यों को कैसे पूरा करने में सक्षम बनाती है?
   • प्रत्येक कार्य अपने स्वयं के छोटे नरम प्रॉम्प्ट का उपयोग करता है जबकि मॉडल स्थिर रहता है
   • यह प्रत्येक अनुरोध के लिए पूरे मॉडल को पुनः प्रशिक्षित करता है
   • यह अप्रयुक्त कार्यों को वेट से हटा देता है
   • इसके लिए प्रत्येक कार्य के लिए एक अलग GPU की आवश्यकता होती है
6. How does Lester and colleagues’ paper describe prompt tuning in relation to prefix tuning?
   • As a replacement for frozen language models
   • As a simpler related method that the paper compares with prefix tuning
   • As a tokenizer with no trainable parameters
   • As a method that updates every model weight
7. Which model family did Lester and colleagues use to study prompt tuning across scales?
   • वेवनेट
   • AlphaFold2
   • टी5
   • अलगाव वन
8. How are soft prompts optimized in prompt tuning?
   • By changing all model weights for each task
   • By replacing embeddings with hard-coded words only
   • By training a new tokenizer for every example
   • By backpropagation through a frozen language model to update the prompt vectors