Pengawasan Proses Kuis Penalaran Matematika

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. Mengapa supervisi yang hanya berorientasi pada hasil bisa menyesatkan dalam soal matematika?
   • Terlalu lambat untuk dihitung
   • Itu tidak bisa menangani desimal
   • Hal ini membutuhkan manusia yang menilai untuk setiap masalah
   • Sebuah model dapat mencapai jawaban yang benar melalui langkah-langkah yang salah yang kemudian dibatalkan
3. Apa yang berhasil dilakukan OpenAI bersamaan dengan 'Mari Verifikasi Langkah demi Langkah'?
   • PRM800K, kumpulan data ~800.000 label tingkat langkah
   • Arsitektur GPU baru
   • Rangkaian pengujian GSM8K
   • Mesin catur
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. Pendekatan apa yang mengurangi kebutuhan akan label langkah manusia yang mahal?
   • Menonaktifkan model penghargaan sepenuhnya
   • Peluncuran Monte Carlo yang memperkirakan nilai setiap langkah secara otomatis (misalnya, Math-Shepherd)
   • Hanya menggunakan jawaban akhir
   • Pelatihan lebih banyak bahasa
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0,8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label