コードモデルの投機的編集に関するクイズ

クイズに答えると、答えと解説が表示されます。

1. 推測的な編集を効果的にする重要な観察は何ですか?
   • 編集されたファイルのトークンのほとんどは、通常、元のファイルと同一です。
   • AI モデルはコードをまったく読み取ることができません
   • ファイルは常に最初から再生成する必要がある
   • コードには予測可能な構造がありません
2. 通常の推測的デコードと比較して、推測的編集の「草案」はどこから来るのでしょうか?
   • 別の小さなドラフトモデルから
   • 編集中の既存のソースコードから
   • ランダムサンプリングから
   • 人間の査読者から
3. 標準的な自己回帰デコードではどのようにトークンが生成されるのでしょうか?
   • パスごとに多数のトークンを並行して実行
   • モデルなしですべてのトークンを一度に
   • 前方パスごとに 1 つのトークン
   • GPU クラスター上のみ
4. 投機的手法では、モデルが正しいと検証した提案されたトークンの実行はどうなるでしょうか?
   • それらは廃棄され、再生されます
   • 承認を得るために人間に送信されます
   • エラーが発生する
   • それらはほぼ 1 回の転送パスで受け入れられます
5. 投機的な編集では、生成コストは何に最も近い値になりますか?
   • 実際の編集（分岐部分）のサイズ
   • ファイルの合計サイズ
   • リポジトリ内のファイルの数
   • モデルのパラメータ数
6. 推測的な編集から最も恩恵を受けるのはどのシナリオですか?
   • 空のバッファから新しいファイルを書き込む
   • ほとんど変更されていない大きなファイル全体でシンボルの名前を変更する
   • 一般的なトリビアの質問に答える
   • 短い独立した詩の生成
7. A code edit changes only one short function in a large file. Where is speculative generation work concentrated?
   • Across every unchanged token in the file
   • In retraining the code model
   • In the divergent edited span that does not match the existing source draft
   • In regenerating the file’s tokenizer vocabulary
8. When speculative verification finds a mismatch with the target model, what should the edit system do?
   • Accept every remaining draft token
   • Discard the entire model checkpoint
   • Replace the target model with the draft
   • Stop accepting that draft prefix and generate the corrected span