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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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