ガイド連動クイズ · 中 レベル

温度とサンプリングに関するクイズ

ロジット温度スケーリング、貪欲デコード、top-k および核候補フィルター、数値カットオフ、および予測可能な生成の制限をテストします。

関連するガイドパス温度とサンプリング
質問 1 の 8

温度を上げるとモデルの出力に何が影響しますか?

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. 温度を上げるとモデルの出力に何が影響しますか?
    • より決定的で反復的なものになります
    • モデルの重みを永続的に変更します
    • ソフトマックス機能を無効にします
    • よりランダムで多様になり、珍しいトークンが発生する可能性が高くなります
  2. サンプリングの前に、モデルの生のトークン スコア (ロジット) が次の方法で確率に変換されます。
    • Top-K フィルター
    • ソフトマックス関数
    • バックプロパゲーション
    • トークナイザー
  3. What determines the candidate set in top-p sampling, compared with top-k?
    • Top-p always keeps exactly ten tokens
    • Both methods always keep every vocabulary token
    • Top-p uses the smallest leading set reaching a cumulative probability threshold; top-k uses a count
    • Top-k uses a cumulative threshold while top-p uses a fixed count
  4. 機械的に、温度はロジットに実際にどのような影響を与えるのでしょうか?
    • ソフトマックスの前に各ロジットを T で割ります。
    • 各ロジットに乱数を追加します
    • 最下位のロジットを削除します
    • 最終的な確率に T を掛けます。
  5. For a structured-data task, what does choosing more predictable token selection fail to establish?
    • That a decoding setting was chosen
    • That the generated content is correct or valid
    • That token scores can be compared
    • That a model can produce an output
  6. How does greedy decoding choose the next token?
    • It literally divides every logit by zero
    • It uniformly samples every vocabulary token
    • It permanently retrains the model
    • It selects a highest-scoring eligible token rather than sampling
  7. Two token logits differ by six before temperature scaling. With positive temperature two, what is their scaled difference?
    • 3
    • 12
    • 6
    • ゼロ
  8. For probabilities 0.55, 0.30, 0.10, and 0.05, how many leading tokens does top-p 0.80 keep?
    • 1 つ
    • 3
    • 2
    • 4