Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Gondolatfa érvelési kvíz

Checks Tree-of-Thoughts branching, candidate generation, state evaluation, pruning, search strategies and inference-compute trade-offs.

Kapcsolódó útmutató utakGondolatok Fája Oktatás
kérdés 1 -ból 8

Miben különbözik a gondolatok fája a gondolati láncra késztetéstől?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miben különbözik a gondolatok fája a gondolati láncra késztetéstől?
    • Egy lineáris lánc helyett több elágazó érvelési utat tár fel
    • Teljesen eltávolítja az érvelési lépéseket
    • Csak képbemenettel működik
    • Egyáltalán nem használ nyelvi modellt
  2. A Gondolatok fájában mit jelképez általában egyetlen csomópont?
    • Csak egy teljes végső válasz
    • Részleges megoldás vagy köztes „gondolat”
    • Felhasználói lekérdezés
    • Edzett súly
  3. Milyen szerepet játszik az állami értékelő a Gondolatok fájában?
    • Megírja a végső, felhasználónak szóló választ
    • Törli a modell memóriáját
    • Pontozza, hogy az ígéretes részmegoldások mennyire olyan gyenge ágak metszhetők
    • Nyelvek között fordít
  4. A Game of 24 benchmarkon a ToT drasztikusan felülmúlta a gondolatláncot, nagyjából milyen ugrással?
    • 90%-ról 95%-ra sikerrel
    • Egyáltalán nincs javulás
    • 50%-ról 51%-ra siker
    • Körülbelül 4%-ról körülbelül 74%-ra sikerült
  5. Milyen keresési stratégiákat használnak általában a gondolatfán való navigáláshoz?
    • Szélesség-első, mélység-első vagy sugárkeresés
    • Csak véletlenszerű találgatás
    • ABC sorrendben
    • Gradiens süllyedés pixeleken
  6. Mi a Gondolatfa használatának fő költsége?
    • Csökkenti a pontosságot, hogy időt takarítson meg
    • Több következtetési számítást igényel a nagyobb pontosságért cserébe
    • Nincs szüksége több modellhívásra
    • Csak offline módban működik
  7. At one Tree-of-Thoughts node, what does the thought generator typically produce?
    • A final answer only, with no intermediate states
    • A new model checkpoint
    • Several candidate next thoughts that could extend the partial solution
    • A set of training labels for the prompt
  8. What decision does the ToT search procedure make after candidate states are generated and scored?
    • Which tokenizer the model should use
    • Whether to change the model’s weights
    • How to label the original training corpus
    • Which branches to expand and which to prune or stop exploring