自己無撞着解読クイズ

クイズに答えると、答えと解説が表示されます。

1. How does self-consistency decoding pick a final answer from a language model?
   • 多くの推論経路をサンプルし、その答えに対する多数決を取る
   • 各ステップで常に最も可能性の高い単一のトークンを選択します
   • モデルを独自の出力で繰り返しトレーニングします。
   • 生成からすべてのランダム性を削除する
2. 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
3. 自己無撞着性はどのような復号化方法に置き換わりますか?
   • バックプロパゲーション
   • トークン化
   • 単一チェーンの貪欲なデコード
   • 重みの量子化
4. サンプリングされた各チェーンのどの部分が最終投票で実際に使用されるのでしょうか?
   • 推論全文
   • 生成されたトークンの数
   • 温度設定
   • 最終的な答えだけ
5. 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
6. 自己一貫性は、より広範な概念の初期の例です?
   • モデルの圧縮
   • 推論時間のスケーリング (より適切に推論するために追加のコンピューティングを費やす)
   • トレーニング中のデータ拡張
   • ハードウェアアクセラレーション
7. 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
8. 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