Kuis Penggabungan Model Evolusioner Sakana AI

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa sebenarnya fungsi penggabungan model evolusioner Sakana AI?
   • Menggunakan penelusuran evolusioner untuk menggabungkan model terlatih yang sudah ada menjadi model baru
   • Latih setiap model baru dari awal menggunakan teks mentah
   • Menghapus bobot model buruk secara acak
   • Hanya menyempurnakan satu model dengan lebih banyak data
2. Siapa salah satu pendiri Sakana AI yang terkenal?
   • Penemu GPU
   • Rekan penulis makalah Transformer asli, Llion Jones
   • Seorang mantan presiden suatu negara
   • Pencipta Linux
3. Apa arti dan cerminan nama 'Sakana'?
   • 'Gunung', mencerminkan ukuran
   • 'Api,' mencerminkan kecepatan
   • 'Ikan' dalam bahasa Jepang, mencerminkan AI kolektif yang terinspirasi dari kawanan
   • 'Cloud' mencerminkan pusat data
4. Sakana mengembangkan model yang menggabungkan dua ruang yang mana?
   • Audio dan video saja
   • Lisensi perangkat keras dan perangkat lunak
   • Pemasaran dan penjualan
   • Ruang parameter dan ruang aliran data (susunan lapisan).
5. What can reusing pretrained weights avoid in an evolutionary model-merging project?
   • Training a new base model from scratch
   • All compute for search and evaluation
   • The need to check model compatibility
   • Testing on a benchmark task
6. Selain penggabungan model, sistem ambisius apa yang diperkenalkan Sakana?
   • Sebuah aplikasi media sosial
   • 'Ilmuwan AI' bertujuan untuk mengotomatisasi penelitian
   • Konsol permainan video
   • Bahasa pemrograman baru
7. How does the evolutionary search compare candidate model-merging recipes?
   • It chooses the recipe with the longest name
   • It selects candidates without running any evaluation
   • It evaluates them on task-specific benchmarks and uses scores to guide later candidates
   • It always keeps the first combination it tries
8. What is an important limitation when interpreting a merged model’s benchmark score?
   • It proves the model has no inherited limitations
   • It guarantees equal performance on every language
   • It means no evaluation data was used
   • The score reflects the evaluated tasks and setup, not guaranteed performance everywhere