Kuis terkait panduan · Sedang Tingkat

Kuis Groq

Tinjau bagaimana LPU Groq menggabungkan penjadwalan kompiler, memori on-chip, dan desain yang mengutamakan inferensi untuk penyajian model yang cepat.

Jalur panduan terkaitBagus
Pertanyaan 1 dari 8

Apa kepanjangan dari LPU Groq?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa kepanjangan dari LPU Groq?
    • Unit Pemrosesan Bahasa
    • Unit Pemrosesan Logika
    • Unit Kinerja Linier
    • Unit Prediksi Latensi
  2. Chip Groq terutama dioptimalkan untuk bagian mana dari alur kerja AI?
    • Model pelatihan dari awal
    • Inferensi (menjalankan model terlatih)
    • Pelabelan data
    • Kompresi gambar
  3. Apa ciri khas arsitektur LPU?
    • Penjadwalan perangkat keras dinamis dengan cache besar
    • Ketergantungan pada penyimpanan disk yang berputar
    • Eksekusi yang deterministik dan terjadwal oleh kompiler
    • Pemesanan instruksi acak
  4. Siapa yang mendirikan Groq, dan apa karya penting sebelumnya?
    • Pendiri lini GPU Nvidia
    • Pendiri OpenAI
    • Penemu CPU
    • Jonathan Ross, yang membantu membuat TPU Google
  5. Apa yang disediakan GroqCloud?
    • Akses API untuk menjalankan model AI pada perangkat keras Groq
    • Jaringan media sosial
    • Paket pengeditan video
    • Layanan pencadangan file
  6. Pernyataan manakah yang membedakan Groq dengan benar?
    • Groq adalah chatbot Elon Musk
    • Groq adalah perusahaan chip, berbeda dengan chatbot Grok
    • Groq adalah aplikasi sosial
    • Groq membuat hard drive berputar
  7. What role does on-chip SRAM play in Groq's LPU design?
    • It acts as an external archive for completed user conversations
    • It replaces the compiler's instruction schedule
    • It stores and retrieves data close to the compute units with low latency
    • It stores only model outputs after inference ends
  8. In Groq's programmable assembly-line architecture, what does the compiler schedule?
    • Which user requests should be answered first
    • The training labels for each model
    • The order of tokens in the model's vocabulary
    • The movement of data and instructions through compute units