ईगल क्विज़ के साथ सट्टा डिकोडिंग

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

1. सट्टा डिकोडिंग के पीछे मूल विचार क्या है?
   • एक सस्ता ड्राफ्टर कई टोकन का प्रस्ताव करता है जिसे बड़ा मॉडल एक समानांतर पास में सत्यापित करता है
   • मॉडल के वज़न को आधी परिशुद्धता तक संपीड़ित करना
   • नेटवर्क की परतों को यादृच्छिक रूप से छोड़ना
   • प्रत्येक संभावित आउटपुट वाक्य को पहले से कैशिंग करना
2. EAGLE पहले के सट्टा डिकोडिंग दृष्टिकोण से किस प्रकार भिन्न है?
   • यह सत्यापन चरण को पूरी तरह से हटा देता है
   • यह सीधे टोकन स्तर के बजाय मॉडल के छिपे हुए फीचर स्पेस में ड्राफ्ट होता है
   • यह ड्राफ्टर के रूप में एक पूरी तरह से अलग, बड़े मॉडल का उपयोग करता है
   • यह केवल छवि निर्माण के लिए काम करता है
3. Why is speculative decoding considered lossless when implemented with exact verification?
   • Every draft token is accepted unconditionally
   • The drafter always predicts the target’s next token
   • The acceptance and correction procedure preserves the target model’s output distribution
   • The target model is never evaluated
4. ईएजीएलई की फीचर ड्राफ्टिंग में पिछले टोकन की एम्बेडिंग को वापस फीड करने से कौन सी समस्या हल हो जाती है?
   • GPU पर मेमोरी फ़्रेग्मेंटेशन
   • भाषाओं के बीच टोकननाइज़र बेमेल
   • हार्डवेयर का अत्यधिक गर्म होना
   • अगली विशेषता की भविष्यवाणी करने की अनिश्चितता/अस्पष्टता
5. EAGLE-2 ने मूल EAGLE में क्या जोड़ा?
   • एक गतिशील ड्राफ्ट ट्री जो कितने उम्मीदवारों को प्रस्ताव देने के लिए अनुकूलित करता है
   • एक निश्चित एकल-टोकन ड्राफ्ट
   • एलएम हेड को हटाना
   • केवल दोगुने डेटा पर प्रशिक्षण
6. ऑटोरेग्रेसिव बाधा सादे एलएलएम पीढ़ी को धीमा क्यों बनाती है?
   • प्रत्येक टोकन के बाद मॉडल स्वयं को पुनः प्रशिक्षित करता है
   • प्रत्येक नए टोकन को अगला शुरू होने से पहले अरबों मापदंडों से होकर पूर्ण फॉरवर्ड पास की आवश्यकता होती है
   • चरणों के बीच टोकन डिस्क पर संग्रहीत होते हैं
   • GPU को प्रति टोकन रीबूट करना होगा
7. After EAGLE predicts a hidden-state feature, which component turns that feature into candidate token probabilities?
   • The tokenizer’s vocabulary file alone
   • The optimizer’s momentum buffer
   • The target model’s language-model head
   • The KV-cache allocator
8. What change does EAGLE-3 make to the original feature-drafting constraint?
   • It replaces the target model with a tokenizer
   • It disables target verification
   • It requires a separate human drafter
   • It removes a feature-prediction constraint to improve scaling