Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Perplexity és nyelvi mutatók kvíz

Review reference-token likelihood, cross-entropy, uniform baselines, comparable tokenization, BLEU, quality limits, context windows, and masked models.

Kapcsolódó útmutató utakPerplexity És nyelvi mutatók
kérdés 1 -ból 8

Under the same autoregressive text-scoring setup, what does lower perplexity indicate?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
    • Lower average negative log-likelihood for the reference tokens
    • A guarantee of more factually correct generated answers
    • A guarantee of a larger parameter count
    • A requirement that every top-choice prediction be correct
  2. Using natural-log negative log-likelihood, how is autoregressive perplexity computed from its average?
    • By multiplying the parameter count by the context length
    • By subtracting the average from the number of attention heads
    • By taking the average learning rate
    • By exponentiating the average negative log-likelihood
  3. Egy modell egységes valószínűséget rendel hozzá egy 10 000 szavas szókincshez tanulás nélkül. Mi a zavarodottsága?
    • 1
    • 10 000
    • 0
    • 100
  4. Why do tokenizer and corpus settings matter when directly comparing per-token perplexity values?
    • Perplexity ignores every scored reference token
    • All corpora necessarily produce the same likelihood
    • They change the units or reference data over which probabilities are averaged
    • Only model parameter count determines the score
  5. Which translation-reference metric uses modified n-gram precision and a brevity penalty?
    • Perplexity
    • Átlagos négyzetes pixel hiba
    • A modell paramétereinek száma
    • BLEU
  6. Milyen kulcsfontosságú korlátok szorítják túl a kutatókat a valós minőség megítélésében?
    • Perplexity a következő szó előrejelzését méri, nem azt, hogy a kimenet hasznos, igaz vagy hasznos-e
    • A Perplexity túl drága a kiszámításához
    • Perplexity nem számítható szöveges adatok alapján
    • Az Perplexity csak következtetés során működik, edzés közben nem
  7. When scoring a long text with a fixed-context model, what can a sliding-window procedure provide that disjoint chunks lose near boundaries?
    • A new vocabulary learned automatically at every boundary
    • A guarantee that generated answers are factually correct
    • More preceding context for the scored target tokens
    • A requirement to count each overlapping target repeatedly
  8. Why is conventional left-to-right perplexity not directly the same score for a BERT-style masked language model?
    • BERT has no learned parameters
    • The masked model does not directly define the same autoregressive sequence factorization
    • Every masked-token probability is necessarily zero
    • Perplexity is defined only for image pixels