Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Szerszámformázó és Autodidakta szerszámhasználati kvíz
Checks Toolformer’s self-supervised call generation, loss-based filtering, API markers, selected tools and final fine-tuning step.
kérdés 1 -ból 8
Mitől megkülönböztethető a Toolformer megközelítése a tanulási eszközök használatához?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mitől megkülönböztethető a Toolformer megközelítése a tanulási eszközök használatához?
- Saját felügyelet mellett generálja és szűri a saját eszközhívásos oktatási példáit
- Több ezer ember által megjelölt eszközhívásra támaszkodik
- Kizárólag emberi visszajelzésekből történő megerősítő tanulást használ
- Minden szerszámhívást kézzel kódol
- Milyen kritériumok alapján dönti el a Toolformer, hogy megtartja-e a jelölt API-hívást?
- Hogy egy emberi értékelő jóváhagyja-e
- A hívás eredménye csökkenti-e a modell veszteségét a következő tokeneken
- A hívás nem üres karakterláncot ad-e vissza
- A hívás egy másodperc alatt fut-e le
- Melyik eszközkészletet tanulta meg az eredeti Toolformer használni?
- Képgenerátor, zenei szintetizátor és 3D renderer
- Csak egy Python tolmács
- Számológép, minőségbiztosítási rendszer, kereső, fordító és naptár
- Csak egy webböngésző és egy fájlrendszer
- Hogyan jelennek meg az eszközhívások a szövegben a Toolformer folyamata során?
- Külön audio csatornákként
- A dokumentumhoz csatolt képekként
- Csak külső adatbázis bejegyzéseiként
- Speciális tokenekként, amelyek az API-hívást és annak eredményét soron belül jelölik
- A nagy nyelvi modellek milyen gyengesége motiválta a Toolformert?
- Szegények az aritmetikában, az aktuális tényekben és a pontos keresésekben
- Nem tudnak gördülékeny mondatokat generálni
- Nem lehet finomhangolni őket
- Csak angolul dolgoznak
- Az eszközhívási példák generálása és szűrése után mit csinál velük a Toolformer?
- Eldobja őket, és újrakezdi
- Finomítja a modellt a szűrt, saját generált adatkészleten
- Elküldi őket emberi annotátoroknak átcímkézés céljából
- Csak értékelés céljából tárolja őket
- Why compare the next-token loss with and without an API result when filtering a candidate call?
- To select the API with the longest response
- To remove all calls that change the context
- To retain calls whose result improves prediction of the following real text
- To maximize the number of API calls per paragraph
- Once useful tool-call examples are filtered, how does Toolformer incorporate them?
- It discards them and trains only on human ratings
- It changes the API results into class labels
- It retrains each external API from scratch
- It fine-tunes on the resulting self-generated examples