Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Logit Bias Quiz

Review how token-ID logit bias alters sampling, its subword limitations and why token-level controls can affect more text than intended.

Kapcsolódó útmutató utakLogit elfogultság
kérdés 1 -ból 8

Mit módosít a logit torzítás?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit módosít a logit torzítás?
    • Konkrét tokenek pontszáma (logit) a mintavétel előtt
    • A modell edzéssúlyai tartósan
    • Az egész prompt hőmérséklete
    • A tokenek száma a környezeti ablakban
  2. Sok API-ban mit ér el egy token -100-as logit torzítása?
    • 100-szor valószínűbbé teszi a tokent
    • Hatékonyan tiltja a token létrehozását
    • Örökre törli a tokent a szókincsből
    • Megduplázza a modell sebességét
  3. What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
    • From 0 to 1 only
    • From -1 to 1 only
    • From -100 to 100
    • Any string value
  4. Milyen azonosítóhoz van kulcsolva a logit torzítás?
    • Az egyszerű szövegű szó
    • A mondat pozíciója
    • A modell neve
    • A numerikus token azonosítója
  5. Mivel a logitokat egy softmax-on vezetik át, mi a hatása a pozitív torzítás hozzáadásának?
    • A normalizálás előtt exponenciálisan megnöveli a token relatív súlyát
    • Lineárisan hozzáad egy rögzített valószínűséget
    • Edzésig nincs hatása
    • Kivonja a tokent a mérlegelés alól
  6. A logit torzítás fő előnye a finomhangolással szemben, hogy:
    • Folyamatosan fejleszti a modell tudását
    • Nem igényel átképzést, kérésre érvényes
    • Növeli a kontextusablak méretét
    • Csak képeken működik
  7. Why should a developer inspect the tokenizer before applying a bias to a visible word?
    • Token IDs are assigned only after sampling
    • Visible words always equal one token
    • The word may be represented by several token IDs, so biasing one ID may not cover all forms
    • The tokenizer controls the model’s training data
  8. What is a practical risk of applying a strong positive bias to one token?
    • It increases the context window
    • It changes the model weights permanently
    • It guarantees the token appears exactly once
    • It can distort generation or produce repetitive, awkward text