Kuis terkait panduan · Sedang Tingkat

Kuis Pengambilan Sampel dan Pemeringkatan Ulang Terbaik dari N

Pahami pemilihan best-of-N, batasan pencetak gol, biaya waktu inferensi, dan asumsi probabilitas di balik pengambilan sampel lebih banyak kandidat.

Jalur panduan terkaitPengambilan Sampel dan Pemeringkatan Ulang N Terbaik
Pertanyaan 1 dari 8

Apa ide inti dari pengambilan sampel best-of-N?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa ide inti dari pengambilan sampel best-of-N?
    • Hasilkan N keluaran kandidat dan pilih yang terbaik dengan pencetak gol
    • Latih model sebanyak N kali dan ratakan bobotnya
    • Gunakan hanya keluaran pertama yang dihasilkan model
    • Kurangi kosakata menjadi N token
  2. When is best-of-N most likely to help?
    • When every output is equally good
    • When the model sometimes samples a correct candidate and a reliable verifier can identify it
    • When the task has no way to assess candidates
    • When sampling is disabled
  3. Apa yang sangat menentukan apakah best-of-N benar-benar meningkatkan hasil?
    • Warna antarmuka pengguna
    • Panjang promptnya saja
    • Kualitas dan ketangguhan pencatat angka atau verifikator
    • Ukuran kosakata model
  4. What can happen when N becomes large and the reward model is an imperfect proxy?
    • The model’s tokenizer is removed
    • The model forgets its training weights
    • All candidates become identical
    • Selection can favor outputs that exploit scorer errors and reduce true quality
  5. Strategi pemeringkatan sederhana manakah yang juga dikenal sebagai konsistensi diri?
    • Pemungutan suara mayoritas di antara jawaban-jawaban yang dijadikan sampel
    • Memilih jawaban terpanjang
    • Memilih sampel acak
    • Selalu mengambil keluaran dengan probabilitas terendah
  6. What mainly drives the generation cost of best-of-N?
    • Only the number of vocabulary entries
    • The total amount of text generated across the sampled candidates
    • The user interface color
    • The number of model training runs
  7. If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
    • p/N
    • N−p
    • 1−(1−p)^N
    • 1−p^N
  8. Which assumption is needed for the simple 1−(1−p)^N success formula?
    • Every response has a different length
    • The model is retrained after each sample
    • The reward model has no parameters
    • The candidate samples are independent and the verifier recognizes success perfectly