ツール作成者および独学でツールを使用するためのクイズ

クイズに答えると、答えと解説が表示されます。

1. ツールの使用方法を学習するための Toolformer のアプローチの特徴は何ですか?
   • 自己監視型の独自のツール呼び出しトレーニング サンプルを生成およびフィルタリングします。
   • 人間がラベルを付けた何千ものツール呼び出しに依存しています
   • 人間のフィードバックのみからの強化学習を使用します
   • すべてのツール呼び出しを手動でハードコーディングします
2. Toolformer は、候補 API 呼び出しを保持するかどうかを決定するためにどの基準を使用しますか?
   • 人間の評価者が承認するかどうか
   • 呼び出しの結果により、次のトークンに対するモデルの損失が軽減されるかどうか
   • 呼び出しが空ではない文字列を返すかどうか
   • 通話が 1 秒以内に完了するかどうか
3. 元の Toolformer はどのツールのセットの使い方を学習しましたか?
   • 画像ジェネレーター、音楽シンセサイザー、および 3D レンダラ
   • Python インタープリターのみ
   • 電卓、QA システム、検索エンジン、翻訳者、カレンダー
   • Webブラウザとファイルシステムのみ
4. Toolformer のプロセス中にツール呼び出しはテキスト内でどのように表現されますか?
   • 個別のオーディオチャンネルとして
   • ドキュメントに添付される画像として
   • 外部データベースのエントリとしてのみ
   • API 呼び出しとその結果をインラインでマークする特別なトークンとして
5. 大規模言語モデルのどのような根本的な弱点が Toolformer を動機づけたのでしょうか?
   • 彼らは算術、現在の事実、正確な検索が苦手です。
   • 流暢な文章を生成できない
   • 微調整はできません
   • 英語のみで動作します
6. ツール呼び出しサンプルを生成してフィルタリングした後、Toolformer はそれらのサンプルをどのように処理しますか?
   • それらを破棄して最初からやり直します
   • フィルタリングされた自己生成データセットに基づいてモデルを微調整します
   • 再ラベル付けのためにヒューマン・アノテーターに送信します。
   • 評価用にのみ保存します
7. Why compare the next-token loss with and without an API result when filtering a candidate call?
   • To select the API with the longest response
   • To remove all calls that change the context
   • To retain calls whose result improves prediction of the following real text
   • To maximize the number of API calls per paragraph
8. Once useful tool-call examples are filtered, how does Toolformer incorporate them?
   • It discards them and trains only on human ratings
   • It changes the API results into class labels
   • It retrains each external API from scratch
   • It fine-tunes on the resulting self-generated examples