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.
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.
- 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
- A Gondolatok fájában mit jelképez általában egyetlen csomópont?
- Csak egy teljes végső válasz
- Részleges megoldás vagy köztes „gondolat”
- Felhasználói lekérdezés
- Edzett súly
- 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
- 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
- Milyen keresési stratégiákat használnak általában a gondolatfán való navigáláshoz?
- Szélesség-első, mélység-első vagy sugárkeresés
- Csak véletlenszerű találgatás
- ABC sorrendben
- Gradiens süllyedés pixeleken
- 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
- 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
- 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