Quiz collegato alla guida · Medio Livello

Quiz sull'aggregazione della miscela di agenti

Esamina i ruoli di proponente e aggregatore del MdA, la condivisione a più livelli delle bozze, gli effetti della collaborazione e i compromessi sui costi di inferenza.

Percorsi guida correlatiMiscela di aggregazione di agenti
Domanda 1 di 8

In Mixture-of-Agents, qual è il ruolo del modello aggregatore?

Anteprima di ogni domanda8 domande

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

  1. In Mixture-of-Agents, qual è il ruolo del modello aggregatore?
    • Sintetizzare le risposte dei modelli proponenti in un'unica risposta migliorata
    • Per eliminare tutte le bozze tranne una in modo casuale
    • Per tradurre il prompt in codice
    • Formare i modelli proponenti
  2. Su quale proprietà chiave dei LLM si basa il documento del MoA?
    • Che gli LLM non possono leggere gli output di altri modelli
    • Che i LLM producono risposte migliori quando vengono mostrate le risposte dei colleghi ("collaborabilità")
    • Che i LLM sono sempre d'accordo
    • I modelli più grandi non sono necessari
  3. In cosa differisce il MoA dal voto a maggioranza semplice?
    • Sceglie la risposta più comune alla lettera
    • Utilizza un solo modello
    • L'aggregatore legge tutte le bozze come contesto e genera una nuova sintesi
    • Ignora completamente i proponenti
  4. Perché la diversità tra i modelli proponenti è preziosa nel MdA?
    • Garantisce risultati identici
    • Riduce il numero di strati a zero
    • Rende tutte le risposte sbagliate
    • Diverse famiglie di modelli contribuiscono con punti di forza complementari che l'aggregatore può combinare
  5. Qual è il principale costo pratico dell’approccio del MdA?
    • Latenza e calcolo più elevati, poiché ogni livello moltiplica le chiamate al modello
    • Non richiede alcuna deduzione
    • Può emettere solo una singola parola
    • Elimina il prompt originale
  6. Cosa riporta il documento del MoA sui modelli open source su AlpacaEval 2.0?
    • Non sono riusciti a eseguire il benchmark
    • Un MoA di modelli aperti ha superato il punteggio di GPT-4 Omni
    • I modelli aperti hanno sempre ottenuto zero
    • Sono stati testati solo modelli chiusi
  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