モデル結合クイズ

クイズに答えると、答えと解説が表示されます。

1. モデルのマージでは主に何を組み合わせますか?
   • 複数のモデルの重み（パラメータ）
   • 複数のモデルのトレーニング データセット
   • 推論時の複数のモデルの出力予測
   • トレーニングに使用されるハードウェア アクセラレータ
2. 「タスクベクトル」は次のように説明するのが最適です。
   • モデルが実行できるタスクのリスト
   • 微調整モデルの重みとその基本モデルの重みの違い
   • タスクの入力トークンのベクトル
   • 単一のトレーニング ステップ中に計算された勾配
3. In the described weight-space merging methods, what can be avoided?
   • Evaluation of the merged checkpoint
   • Compatibility requirements between model weights
   • Additional gradient training and access to the original training data
   • Testing the result on intended tasks
4. How do TIES-Merging and DARE differ in addressing parameter interference?
   • Both use the same sign-voting method and differ only in scale
   • DARE uses prompt engineering while TIES retrains on joint data
   • Both average model outputs instead of changing weights
   • They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
5. 2 つのモデルを正常にマージするための重要な前提条件は、次のとおりです。
   • 同じアーキテクチャを共有し、通常は共通の基本モデルから派生します。
   • 同一のデータでトレーニングされた
   • まったく同じ数のトレーニング ステップがある
   • 同じトークナイザー語彙サイズのみを使用する
6. In task arithmetic, what do coefficients control when combining task vectors?
   • Which tokenizer each checkpoint must use
   • How strongly each parameter-change vector contributes to the merged checkpoint
   • How many training examples are generated
   • Whether an evaluation set is required
7. What are the three main stages named by TIES-Merging?
   • Tokenize text, infer emotions, and export audio
   • Quantize weights, shard GPUs, and route network packets
   • Trim small changes, elect a sign direction, then merge aligned parameter updates
   • Train a reward model, collect labels, and run PPO
8. Why should teams evaluate each task after a model merge?
   • Merging guarantees every benchmark improves
   • Evaluation is needed only to calculate the file size
   • A merged model cannot be run without retraining
   • Combining weight updates can create interference or reduce performance on a task