Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Prompt Hangolás Kvíz

Review soft prompts at the input layer, the frozen-model setup, and the scale-dependent results reported for prompt tuning.

Kapcsolódó útmutató utakPrompt hangolás
kérdés 1 -ból 8

Mit jelent a „puha prompt” az azonnali hangolásban?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jelent a „puha prompt” az azonnali hangolásban?
    • Megtanulta a folyamatos beágyazási vektorokat, amelyeknek nem kell valódi szavakra leképeznie
    • Udvariasan megfogalmazott szöveges utasítás
    • A modell kisebb desztillált másolata
    • Lefagyott kimeneti logitok halmaza
  2. Hol adja hozzá a gyorshangolás a betanítható vektorait?
    • Minden transzformátor rétegnél
    • Csak a bemeneti beágyazási rétegnél
    • Csak a kimeneti rétegen
    • Az optimalizáló állapotán belül
  3. Milyen meglepő hatást emelt ki az eredeti cikk a modellskálával kapcsolatban?
    • Az azonnali hangolás a modellek növekedésével egyre rosszabb
    • A skála nincs hatással az azonnali hangolásra
    • Ahogy nőnek a modellek, az azonnali hangolás megközelíti a teljes finomhangolási minőséget
    • A nagyobb modelleket már nem lehet azonnal hangolni
  4. Ki vezette be az azonnali hangolást?
    • A DeepMind 2016-ban
    • Anthropic 2023-ban
    • Microsoft 2019-ben
    • A Google (Lester, Al-Rfou, Constant) kutatói 2021-ben
  5. Hogyan teszi lehetővé az azonnali hangolás sok feladat kiszolgálását egy modellről?
    • Mindegyik feladat a saját apró, lágy promptját használja, miközben a modell fagyasztva marad
    • A teljes modellt minden kéréshez újratanítja
    • Törli a fel nem használt feladatokat a súlyozásból
    • Feladatonként külön GPU-t igényel
  6. How does Lester and colleagues’ paper describe prompt tuning in relation to prefix tuning?
    • As a replacement for frozen language models
    • As a simpler related method that the paper compares with prefix tuning
    • As a tokenizer with no trainable parameters
    • As a method that updates every model weight
  7. Which model family did Lester and colleagues use to study prompt tuning across scales?
    • WaveNet
    • AlphaFold2
    • T5
    • Elszigetelő erdő
  8. How are soft prompts optimized in prompt tuning?
    • By changing all model weights for each task
    • By replacing embeddings with hard-coded words only
    • By training a new tokenizer for every example
    • By backpropagation through a frozen language model to update the prompt vectors