Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Rotary Position Beágyazási Kvíz

Assess how RoPE rotates query and key vectors to encode position, and distinguish its relative-position property from long-context scaling methods.

Kapcsolódó útmutató utakRotary Position Beágyazások
kérdés 1 -ból 8

Hogyan fecskendezi be a RoPE a helyzetinformációkat egy transzformátorba?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan fecskendezi be a RoPE a helyzetinformációkat egy transzformátorba?
    • A lekérdezésben lévő méretpárok és a kulcsvektorok helyzetfüggő szöggel történő elforgatásával
    • Rögzített vektor hozzáadásával a bemeneti beágyazásokhoz
    • A tokenek véletlenszerű átrendezésével
    • A pozíciószám szövegként történő hozzáfűzésével
  2. A RoPE alkalmazása után a két token közötti figyelempontszám elsősorban a következőktől függ:
    • Csak az abszolút pozíciójuk
    • Relatív távolságuk (m mínusz n)
    • A szókincs mérete
    • A tétel mérete
  3. What training-efficiency comparison did the YaRN paper report for context extension?
    • Exactly the same data and steps as all prior methods
    • No fine-tuning or training data of any kind
    • About 10x fewer tokens and 2.5x fewer training steps than prior methods
    • A fixed 100x increase in output tokens
  4. Miért forognak a különböző méretpárok különböző frekvencián a kötélben?
    • Memória megtakarításához néhány méret kihagyásával
    • A modell kimeneteinek véletlenszerű beállítása
    • Mert minden párnak ugyanazt a szöget kell használnia
    • A finom helyi rend és a hosszú távú pozíció rögzítésére
  5. What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
    • Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
    • Guarantee accurate recall at any sequence length with no evaluation
    • Remove position information from attention
    • Replace all token embeddings with absolute learned vectors
  6. Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
    • Yes; it adds one learned vector for every possible sequence position
    • No; it applies position-dependent rotations to paired query/key dimensions
    • It removes query and key vectors entirely
    • It only adds position to value vectors
  7. What does standard RoPE alone guarantee about a model’s context length?
    • Unlimited accurate context at every position
    • A fixed context of exactly 128 tokens
    • It does not by itself guarantee reliable use beyond the trained context length
    • Removal of the attention mechanism
  8. What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
    • Exactly 1,000 tokens with no position changes
    • Unlimited context with no fine-tuning
    • Up to 2 million tokens for all models
    • Up to 32,768 tokens with minimal fine-tuning