Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Szerkeverék-összesítő kvíz

Review MoA’s proposer and aggregator roles, layered sharing of drafts, collaboration effects, and inference-cost tradeoffs.

Kapcsolódó útmutató utakAggregátumok keveréke
kérdés 1 -ból 8

Mi a szerepe az aggregátor modellnek a Mixture of-Agents-ben?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a szerepe az aggregátor modellnek a Mixture of-Agents-ben?
    • A javaslattevő modellek válaszainak szintetizálása egyetlen továbbfejlesztett válaszba
    • Egy kivételével az összes piszkozat véletlenszerű törléséhez
    • A prompt kódra fordítása
    • A javaslattevő modellek betanítása
  2. Az LLM-ek milyen kulcsfontosságú tulajdonságára támaszkodik a MoA dokumentum?
    • Az LLM-ek nem tudják elolvasni más modellek kimeneteit
    • Hogy az LLM-ek jobb válaszokat adnak, ha megmutatják a társaik válaszait ("együttműködés")
    • Ebben az LLM-ek mindig egyetértenek
    • Hogy a nagyobb modellek feleslegesek
  3. Miben különbözik a MoA az egyszerű többségi szavazástól?
    • Szó szerint kiválasztja a leggyakoribb választ
    • Csak egy modellt használ
    • Az aggregátor az összes vázlatot kontextusként olvassa be, és új szintézist generál
    • Teljesen figyelmen kívül hagyja a javaslattevőket
  4. Miért értékes a javaslattevő modellek közötti sokszínűség a MoA-ban?
    • Garantálja az azonos kimeneteket
    • A rétegek számát nullára csökkenti
    • Minden választ hibássá tesz
    • A különböző modellcsaládok kiegészítő erősségekkel járulnak hozzá, amelyeket az aggregátor kombinálhat
  5. Mi a fő gyakorlati költsége a MoA megközelítésnek?
    • Magasabb késleltetés és számítás, mivel minden réteg megsokszorozza a modellhívásokat
    • Egyáltalán nem igényel következtetést
    • Csak egyetlen szót tud kiadni
    • Törli az eredeti promptot
  6. Mit közölt a MoA dokumentuma az AlpacaEval 2.0 nyílt forráskódú modelljeiről?
    • Nem tudták teljesíteni a benchmarkot
    • A nyitott modellek MoA-ja meghaladta a GPT-4 Omni pontszámát
    • A nyitott modellek mindig nullát értek el
    • Csak zárt modelleket teszteltek
  7. What information is given to an agent in a later Mixture-of-Agents layer?
    • Only the original prompt with all earlier drafts removed
    • Only a majority-vote label
    • The outputs produced by agents in the preceding layer
    • A gradient update from each previous model
  8. What is the purpose of placing several proposer models in the first MoA layer?
    • Train a shared base model from scratch
    • Choose one response by majority vote and discard the rest
    • Compress all outputs into a single token
    • Create a set of candidate responses for later agents and the aggregator to use