Quiz collegato alla guida · Medio Livello
Quiz sulla decodifica dell'autocoerenza
Spiega il voto a maggioranza su percorsi di ragionamento campionati, l'estrazione delle risposte, i costi di inferenza e perché il consenso può ancora essere sbagliato.
Domanda 1 di 8
How does self-consistency decoding pick a final answer from a language model?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- How does self-consistency decoding pick a final answer from a language model?
- Prova molti percorsi di ragionamento e ottieni un voto a maggioranza sulla risposta
- Scegli sempre il singolo token più probabile ad ogni passaggio
- Addestra ripetutamente il modello sui propri output
- Rimuovi tutta la casualità dalla generazione
- Under what condition can self-consistency improve answer accuracy?
- Whenever the number of samples increases
- When correct sampled paths converge and errors are not too strongly correlated
- When every reasoning chain has identical wording
- Only when the model weights are retrained
- Quale metodo di decodifica sostituisce l'autoconsistenza?
- Propagazione all'indietro
- Tokenizzazione
- Decodifica golosa di una singola catena
- Quantizzazione del peso
- Quale parte di ciascuna catena campionata viene effettivamente utilizzata nella votazione finale?
- Il testo completo della motivazione
- Il numero di token generati
- L'impostazione della temperatura
- Solo la risposta finale
- What is the main cost of increasing the number of self-consistency samples?
- More inference compute; accuracy gains depend on the task and can have diminishing returns
- It retrains the model weights after every response
- It guarantees that the majority is correct
- It eliminates the need to sample any reasoning paths
- L’autocoerenza è un primo esempio di quale concetto più ampio?
- Compressione del modello
- Scaling del tempo di inferenza (spendere ulteriore calcolo per ragionare meglio)
- Aumento dei dati durante l'allenamento
- Accelerazione hardware
- Why may answer normalization be useful before a self-consistency vote?
- It makes all reasoning paths independent
- It verifies the answer against external evidence
- It can group semantically equivalent answers that use different formatting
- It changes the model’s sampled probabilities
- What is a key limitation of a majority answer from self-consistency?
- A majority vote cannot be computed for text
- Sampling always changes the model weights
- Every reasoning path is guaranteed independent
- Correlated reasoning errors can make an incorrect answer win the vote