Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Az N legjobb mintavételi és átsorolási kvíz

Understand best-of-N selection, scorer limitations, inference-time costs, and the probability assumptions behind sampling more candidates.

Kapcsolódó útmutató utakA legjobb N mintavétel és átsorolás
kérdés 1 -ból 8

Mi az N legjobb mintavétel alapötlete?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az N legjobb mintavétel alapötlete?
    • Generáljon N számú jelölt kimenetet, és válassza ki a legjobbat egy pontozó segítségével
    • Tanítsa meg a modellt N-szer, és átlagolja a súlyokat
    • Csak a modell által létrehozott első kimenetet használja
    • Csökkentse a szókincset N tokenre
  2. Mikor segít a legjobban az N-ből?
    • When every output is equally good
    • When the model sometimes samples a correct candidate and a reliable verifier can identify it
    • When the task has no way to assess candidates
    • When sampling is disabled
  3. Mi határozza meg nagymértékben, hogy az N legjobbja valóban javítja-e az eredményeket?
    • A felhasználói felület színe
    • Csak a prompt hossza
    • A pontozó vagy ellenőrző minősége és robusztussága
    • A modell szókincsének mérete
  4. Mi történhet, ha N nagy lesz, és a jutalommodell tökéletlen proxy?
    • The model’s tokenizer is removed
    • The model forgets its training weights
    • All candidates become identical
    • Selection can favor outputs that exploit scorer errors and reduce true quality
  5. Melyik egyszerű átsorolási stratégiát nevezik önkonzisztenciának?
    • Többségi szavazás a mintában szereplő válaszok között
    • A leghosszabb válasz kiválasztása
    • Véletlenszerű minta kiválasztása
    • Mindig a legkisebb valószínűségű kimenetet veszi
  6. What mainly drives the generation cost of best-of-N?
    • Only the number of vocabulary entries
    • The total amount of text generated across the sampled candidates
    • The user interface color
    • The number of model training runs
  7. If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
    • p/N
    • N−p
    • 1−(1−p)^N
    • 1−p^N
  8. Which assumption is needed for the simple 1−(1−p)^N success formula?
    • Every response has a different length
    • The model is retrained after each sample
    • The reward model has no parameters
    • The candidate samples are independent and the verifier recognizes success perfectly