ガイド連動クイズ · 中 レベル

ニューラル ネットワークのスケーリング則に関するクイズ

経験的なスケーリング則が言語モデルの損失をパラメーター、データ、コンピューティングにどのように関連付けるか、またその予測がどこに適用されるかをテストします。

関連するガイドパスニューラル ネットワークのスケーリング則
質問 1 の 8

What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
    • Approximate power-law relationships over the tested ranges
    • A sudden guaranteed drop to zero
    • A fixed increase in loss for every larger model
    • Random oscillation with no measurable trend
  2. 元のスケーリング則が損失に関係する 3 つの量はどれですか?
    • バッチサイズ、ドロップアウト、およびエポック
    • モデルパラメータ、データセットサイズ、計算
    • 学習率、重み減衰、および深度
    • GPU 数、メモリ、レイテンシー
  3. How can a scaling-law fit help when planning a larger training run?
    • It guarantees the final benchmark score
    • It eliminates the need for validation
    • It can inform an extrapolation from smaller experiments, subject to the tested setup
    • It predicts results exactly for any dataset or architecture
  4. スケーリング則の損失公式の定数 (既約) 項は何を表しますか?
    • ソフトウェアのバグ
    • 学習率
    • GPUの数
    • どのモデルも勝てないデータの固有エントロピー
  5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
    • The reducible loss term shrinks while the loss approaches its floor
    • The data is removed after each compute increase
    • The model stops using parameters
    • Power laws require loss to increase over time
  6. この分野を単純な「大きいほど良い」スケーリングを超えて押し進めているのはどのトレンドですか?
    • GPUが無料になる
    • 高品質のデータの不足に加え、エネルギーとコストの制限
    • 高品質のテキストが無制限に表示されます
    • 損失曲線が垂直の直線に変化
  7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
    • They always dominated model size, data, and compute
    • They made loss independent of data
    • They had relatively small effects compared with the studied scaling variables
    • They guaranteed the same performance for all architectures
  8. What compute-allocation tendency did the original Kaplan paper report?
    • Every model should be trained to zero loss
    • Small models always use less compute at equal loss
    • Training data has no effect on compute allocation
    • Large models could be more sample-efficient and compute-efficient training could stop before convergence