Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Természetes nyelvi következtetés és következmény kvíz
Learn NLI’s entailment, contradiction, and neutral labels, benchmark datasets, transformer inputs, and evidence-checking limits.
kérdés 1 -ból 8
Mi a három szabványos címke a természetes nyelvi következtetésben?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a három szabványos címke a természetes nyelvi következtetésben?
- Következmény, ellentmondás, semleges
- Pozitív, negatív, semleges
- Igaz, hamis, ismeretlen
- Alany, ige, tárgy
- Mit jelent az NLI-ben az „következmény”?
- A két mondatnak nincs köze egymáshoz
- A hipotézisnek igaznak kell lennie az előfeltevés alapján
- A hipotézisnek hamisnak kell lennie az előfeltevés alapján
- A mondatok nyelvtanilag azonosak
- Az „Egy férfi gitározik a színpadon” feltevés alapján melyik hipotézis ellentmondásos?
- Egy személy zenét ad elő
- A tömeg szereti a dalt
- A színpad üres
- Egy zenész egy hangszert tart
- What is an annotation artifact in an NLI dataset?
- A model that reasons perfectly with very little data
- A dataset where every annotator agrees
- A premise that is always longer than its hypothesis
- A spurious cue that lets a model guess labels without reasoning about the premise-hypothesis relation
- Mely adatkészleteket használják széles körben az NLI betanítására és értékelésére?
- SNLI és MultiNLI
- ImageNet és CIFAR
- MNIST és SVHN
- WikiText és Penn Treebank
- How can NLI support a check of a generated claim against source evidence?
- Measure the generated claim’s length
- Classify whether the evidence entails, contradicts, or leaves the claim neutral
- Count unique words only
- Translate the claim into another language
- In NLI, what does the neutral label mean?
- The hypothesis is guaranteed true
- The hypothesis is guaranteed false
- The premise neither entails nor contradicts the hypothesis
- The two sentences are grammatically identical
- How does a common transformer NLI classifier present a sentence pair to the model?
- Encode only the hypothesis and discard the premise
- Convert both sentences into audio first
- Train a separate model for every word
- Concatenate the premise and hypothesis with a separator token