Quiz collegato alla guida · Medio Livello
Quiz sull'inclusione della posizione del Rotary
Valutare il modo in cui RoPE ruota la query e i vettori chiave per codificare la posizione e distinguere la sua proprietà di posizione relativa dai metodi di ridimensionamento a lungo contesto.
Domanda 1 di 8
In che modo RoPE inserisce le informazioni sulla posizione in un trasformatore?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In che modo RoPE inserisce le informazioni sulla posizione in un trasformatore?
- Ruotando coppie di dimensioni nella query e nei vettori chiave di un angolo dipendente dalla posizione
- Aggiungendo un vettore fisso agli incorporamenti di input
- Riordinando i gettoni in modo casuale
- Aggiungendo il numero di posizione come testo
- Dopo l'applicazione del RoPE, il punteggio di attenzione tra due token dipende principalmente da:
- Solo le loro posizioni assolute
- La loro distanza relativa (m meno n)
- La dimensione del vocabolario
- La dimensione del lotto
- What training-efficiency comparison did the YaRN paper report for context extension?
- Exactly the same data and steps as all prior methods
- No fine-tuning or training data of any kind
- About 10x fewer tokens and 2.5x fewer training steps than prior methods
- A fixed 100x increase in output tokens
- Perché coppie di dimensioni diverse ruotano a frequenze diverse in RoPE?
- Per risparmiare memoria saltando alcune dimensioni
- Per randomizzare gli output del modello
- Perché tutte le coppie devono utilizzare lo stesso angolo
- Per catturare sia l'ordine locale che la posizione a lungo raggio
- What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
- Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
- Guarantee accurate recall at any sequence length with no evaluation
- Remove position information from attention
- Replace all token embeddings with absolute learned vectors
- Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
- Yes; it adds one learned vector for every possible sequence position
- No; it applies position-dependent rotations to paired query/key dimensions
- It removes query and key vectors entirely
- It only adds position to value vectors
- What does standard RoPE alone guarantee about a model’s context length?
- Unlimited accurate context at every position
- A fixed context of exactly 128 tokens
- It does not by itself guarantee reliable use beyond the trained context length
- Removal of the attention mechanism
- What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
- Exactly 1,000 tokens with no position changes
- Unlimited context with no fine-tuning
- Up to 2 million tokens for all models
- Up to 32,768 tokens with minimal fine-tuning