Quiz collegato alla guida · Medio Livello
Quiz di campionamento e riclassificazione al meglio della serie
Comprendere la selezione del migliore degli N, i limiti del punteggio, i costi del tempo di inferenza e le ipotesi di probabilità alla base del campionamento di più candidati.
Domanda 1 di 8
Qual è l’idea centrale del campionamento al meglio di N?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è l’idea centrale del campionamento al meglio di N?
- Genera N output candidati e scegli quello migliore con un punteggio
- Addestra il modello N volte e calcola la media dei pesi
- Utilizza solo il primo output prodotto dal modello
- Riduci il vocabolario a N gettoni
- 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
- Cosa determina in gran parte se il meglio di N migliora effettivamente i risultati?
- Il colore dell'interfaccia utente
- Solo la lunghezza del prompt
- La qualità e la robustezza del valutatore o del verificatore
- La dimensione del vocabolario del modello
- 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
- Quale semplice strategia di riclassificazione è nota anche come autoconsistenza?
- Voto a maggioranza tra le risposte campionate
- Scegliere la risposta più lunga
- Scelta di un campione casuale
- Prendendo sempre l'output con la probabilità più bassa
- 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
- 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
- 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