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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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