Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Láma Modell Családi Kvíz

Review Llama’s open-weight releases, model lineage, instruction tuning, inference efficiency, and newer multimodal variants.

Kapcsolódó útmutató utakLáma modellcsalád
kérdés 1 -ból 8

How does Meta describe access to Llama model weights, and what governs use?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. How does Meta describe access to Llama model weights, and what governs use?
    • Weights are publicly released for eligible versions, subject to each version’s license and use terms
    • Every version is public domain with unrestricted use
    • Only Meta employees can access any Llama weights
    • The weights are downloadable without any terms
  2. Mit jelent a „Llama” mozaikszó?
    • Lineáris tanulás és multimodális architektúra
    • Nagy nyelvű modell Meta AI
    • Réteges logika és gépi elemzés
    • Helyi nyelvkezelő alkalmazás
  3. Melyik Llama kiadás adta először a széles körű kereskedelmi felhasználást lehetővé tevő licencet?
    • Az eredeti Llama 1
    • Csak Llama 405
    • Láma 2
    • Egyik sem engedélyezi a kereskedelmi felhasználást
  4. Milyen architektúra áll a láma modellek mögött?
    • Konvolúciós képosztályozó
    • Döntési fa együttes
    • Egy visszatérő hálózat figyelem nélkül
    • Csak dekóderhez használható transzformátor, amely megjósolja a következő tokent
  5. Hogyan készülnek a Llama „csevegés” vagy utasításokkal hangolt változatai a felhasználói utasítások követésére?
    • Felügyelt finomhangoláson és az emberi visszajelzésekből való tanulás megerősítésén keresztül
    • A képernyő felbontásának növelésével
    • Az alapmodell teljes törlésével
    • Először az összes felszólítást latinra fordítva
  6. In what deployment setup can running Llama locally avoid sending prompts to a hosted inference service?
    • Whenever a model is downloaded, even when an app sends prompts to cloud tools
    • When inference runs on-device or on a private local server without a prompt-forwarding service
    • Only when the model is fine-tuned rather than used for inference
    • When the application stores prompts in a shared hosted API
  7. Which attention design did Meta adopt in Llama 3 8B and 70B to improve inference efficiency?
    • Residual vector quantization
    • Spatially-adaptive normalization
    • Grouped-query attention (GQA)
    • A recurrent state-space scan
  8. What inputs can Llama 3.2 Vision models accept?
    • Audio waveforms only
    • Video frames only, with no text
    • Sensor data without language or images
    • Text and images