Kuis Agregasi Campuran Agen

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Dalam Mixture-of-Agents, apa peran model agregator?
   • Untuk mensintesis tanggapan model pengusul menjadi satu jawaban yang lebih baik
   • Untuk menghapus semua kecuali satu draf secara acak
   • Untuk menerjemahkan prompt ke dalam kode
   • Untuk melatih model pengusul
2. Properti utama LLM apa yang menjadi dasar makalah MoA?
   • LLM tersebut tidak dapat membaca keluaran model lain
   • Bahwa LLM menghasilkan jawaban yang lebih baik ketika tanggapan rekan-rekan ditunjukkan ('kolaboratif')
   • LLM itu selalu setuju
   • Model yang lebih besar tidak diperlukan
3. Apa perbedaan MoA dengan pemungutan suara mayoritas sederhana?
   • Ini memilih jawaban yang paling umum kata demi kata
   • Ia hanya menggunakan satu model
   • Agregator membaca semua draf sebagai konteks dan menghasilkan sintesis baru
   • Ini mengabaikan pengusul sepenuhnya
4. Mengapa keberagaman di antara model-model pengusul penting dalam MoA?
   • Ini menjamin keluaran yang identik
   • Ini mengurangi jumlah lapisan menjadi nol
   • Itu membuat semua jawaban menjadi salah
   • Kelompok model yang berbeda menyumbangkan kekuatan yang saling melengkapi yang dapat digabungkan oleh agregator
5. Apa dampak praktis utama dari pendekatan MoA?
   • Latensi dan komputasi lebih tinggi, karena setiap lapisan mengalikan panggilan model
   • Hal ini tidak memerlukan kesimpulan sama sekali
   • Itu hanya dapat menghasilkan satu kata
   • Ini menghapus prompt asli
6. Apa yang dilaporkan makalah MoA tentang model sumber terbuka di AlpacaEval 2.0?
   • Mereka tidak dapat menjalankan benchmark
   • MoA model terbuka melampaui skor GPT-4 Omni
   • Model terbuka selalu mendapat nilai nol
   • Hanya model tertutup yang diuji
7. What information is given to an agent in a later Mixture-of-Agents layer?
   • Only the original prompt with all earlier drafts removed
   • Only a majority-vote label
   • The outputs produced by agents in the preceding layer
   • A gradient update from each previous model
8. What is the purpose of placing several proposer models in the first MoA layer?
   • Train a shared base model from scratch
   • Choose one response by majority vote and discard the rest
   • Compress all outputs into a single token
   • Create a set of candidate responses for later agents and the aggregator to use