Quiz collegato alla guida · Difficile Livello

Quiz sulla decodifica del rischio minimo di Bayes

Verifica l'utilità prevista, gli pseudo-riferimenti campionati, i confronti quadratici dei candidati, i limiti metrici e i vincoli del pool di candidati della decodifica MBR.

Percorsi guida correlatiDecodifica minima del rischio Bayes
Domanda 1 di 8

Cosa seleziona la decodifica MBR invece della singola sequenza più probabile?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Cosa seleziona la decodifica MBR invece della singola sequenza più probabile?
    • Il candidato con la più alta utilità attesa rispetto ad altri risultati probabili
    • La sequenza più breve
    • Un campione casuale
    • La sequenza più lunga
  2. Poiché i riferimenti reali non sono disponibili, cosa utilizza MBR come pseudo-riferimenti?
    • Un corpus esterno fisso
    • Il pool degli stessi risultati dei candidati campionati
    • Annotazioni umane
    • Il set formativo
  3. Perché l'MBR ingenuo è computazionalmente costoso?
    • Richiede la riqualificazione del modello
    • Ha bisogno di un vocabolario più ampio
    • Il confronto a coppie di N candidati è costituito da chiamate metriche O (N al quadrato).
    • Non utilizza GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. L’autocoerenza nel ragionamento si riferisce all’MBR perché:
    • Campiona molte catene e sceglie la risposta più concordata
    • Prende sempre la prima risposta campionata
    • Utilizza la ricerca del raggio internamente
    • Ignora la distribuzione del modello
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool