Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Modellösszevonási kvíz

Explore how compatible model checkpoints and task vectors can be combined, what merging methods change, and why each result needs evaluation.

Kapcsolódó útmutató utakModell összevonás
kérdés 1 -ból 8

Mit kombinál elsősorban a modellösszevonás?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit kombinál elsősorban a modellösszevonás?
    • Több modell súlya (paraméterei).
    • Több modell képzési adatkészletei
    • Több modell kimeneti előrejelzései a következtetés időpontjában
    • Az edzéshez használt hardveres gyorsítók
  2. A „feladatvektor” leginkább így írható le:
    • A modell által végrehajtható feladatok listája
    • A finomhangolt modell súlyai és az alapmodell súlyai közötti különbség
    • Egy feladat bemeneti tokenek vektora
    • Az egyetlen edzési lépés során számított gradiens
  3. In the described weight-space merging methods, what can be avoided?
    • Evaluation of the merged checkpoint
    • Compatibility requirements between model weights
    • Additional gradient training and access to the original training data
    • Testing the result on intended tasks
  4. How do TIES-Merging and DARE differ in addressing parameter interference?
    • Both use the same sign-voting method and differ only in scale
    • DARE uses prompt engineering while TIES retrains on joint data
    • Both average model outputs instead of changing weights
    • They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
  5. A két modell sikeres egyesítésének kulcsfontosságú feltétele, hogy:
    • Oszd meg ugyanazt az architektúrát, és általában egy közös alapmodellből származnak
    • Azonos adatokra képezték ki
    • Pontosan ugyanannyi edzési lépés legyen
    • Csak ugyanazt a tokenizátor szókincsméretet használja
  6. In task arithmetic, what do coefficients control when combining task vectors?
    • Which tokenizer each checkpoint must use
    • How strongly each parameter-change vector contributes to the merged checkpoint
    • How many training examples are generated
    • Whether an evaluation set is required
  7. What are the three main stages named by TIES-Merging?
    • Tokenize text, infer emotions, and export audio
    • Quantize weights, shard GPUs, and route network packets
    • Trim small changes, elect a sign direction, then merge aligned parameter updates
    • Train a reward model, collect labels, and run PPO
  8. Why should teams evaluate each task after a model merge?
    • Merging guarantees every benchmark improves
    • Evaluation is needed only to calculate the file size
    • A merged model cannot be run without retraining
    • Combining weight updates can create interference or reduce performance on a task