Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Folyamatfelügyelet a matematikai érvelési kvízhez
Examine process and outcome feedback, with PRM800K labels, candidate selection, Math-Shepherd supervision, and step-score aggregation.
kérdés 1 -ból 8
Where does process supervision provide feedback compared with outcome supervision?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Where does process supervision provide feedback compared with outcome supervision?
- Only at the physical GPU temperature
- At intermediate reasoning steps rather than only the final result
- Only at the document filename
- Only at an increased vocabulary size
- Miért lehet félrevezető a csak eredményre vonatkozó felügyelet a matematikai feladatoknál?
- Túl lassú a számítás
- Nem tudja kezelni a tizedesjegyeket
- Minden problémához emberi osztályozó kell
- A modell hibás lépéseken keresztül érheti el a helyes választ, amelyek történetesen érvénytelenítik
- Mit adott ki a OpenAI az „Ellenőrizzük lépésről lépésre” mellett?
- PRM800K, ~800 000 lépésszintű címkéből álló adatkészlet
- Új GPU architektúra
- A GSM8K tesztkészlet
- Egy sakkmotor
- In best-of-N math selection with a process reward model, what does the verifier do?
- Guarantees that a correct candidate was generated
- Changes every tokenizer token into a proof axiom
- Scores generated candidate solutions under the chosen aggregation rule
- Replaces the original problem with a translation
- Milyen megközelítés csökkenti a drága emberi lépéscímkék szükségességét?
- A jutalommodell teljes letiltása
- Monte Carlo-bevezetések, amelyek automatikusan megbecsülik az egyes lépések értékét (pl. Math-Shepherd)
- Csak a végső választ használva
- Képzés több nyelven
- What can low step-level verifier scores usefully indicate to someone reviewing a solution?
- Steps that merit closer inspection
- An infallible location of the first actual error
- A mathematical proof that all other steps are correct
- The exact temperature used to sample every token
- For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
- 0.8
- 0.85
- 1.7
- 0.72
- Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
- Choosing examples only by alphabetical filename order
- Removing every incorrect-answer candidate from the labeling pool
- Active learning that selected informative candidate solutions
- Using an unlabeled test answer as the final human label