빔 검색 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 빔 검색에서 '빔 폭'(k)은 무엇을 제어합니까?
   • 각 디코딩 단계에서 얼마나 많은 부분 후보 시퀀스가 유지되는지
   • 생성된 시퀀스의 최대 길이
   • 확률에 적용되는 온도
   • 모델 어휘의 크기
2. 빔 검색은 그리디 디코딩과 어떻게 다릅니까?
   • 항상 확률이 가장 높은 단일 토큰을 선택합니다.
   • 하나의 커밋 대신 여러 개의 높은 점수 부분 시퀀스를 유지합니다.
   • 무작위로 토큰을 샘플링합니다.
   • 토큰 확률을 완전히 무시합니다.
3. 빔 검색에 길이 정규화가 일반적으로 적용되는 이유는 무엇입니까?
   • 세대를 더 빠르게 만들기 위해
   • 어휘력을 늘리려면
   • 로그 확률을 합산하면 점수가 더 짧은 시퀀스로 편향되기 때문입니다.
   • 출력에 임의성을 추가하려면
4. 빔 검색은 어떤 작업에 특히 적합합니까?
   • 개방형 창의적 스토리텔링
   • 최대한 다양한 무작위 텍스트 생성
   • 예측할 수 없는 시를 생산하다
   • 충실한 고확률 출력이 필요한 기계 번역
5. 개방형 생성에 매우 큰 빔 폭을 사용할 때 알려진 단점은 무엇입니까?
   • 더 혼란스럽고 반복적이거나 타락한 텍스트를 생성할 수 있습니다.
   • 가장 창의적인 결과물을 보장합니다.
   • 확률 모델이 필요하지 않습니다.
   • 모델이 입력을 무시하게 만듭니다.
6. 각 단계에서 빔 검색은 어떤 후보를 유지할지 어떻게 결정합니까?
   • 토큰의 알파벳순으로
   • 누적 점수(로그 확률의 합)로 상위 k를 유지합니다.
   • 가장 긴 후보자를 선택하여
   • 모든 후보자 중에서 무작위로 선정
7. What problem does GNMT’s coverage penalty aim to reduce in translation?
   • Repeatedly encoding the same source vocabulary
   • The use of subword units
   • Output translations that fail to cover source words
   • The number of encoder layers
8. What does diverse beam search modify to encourage different candidate outputs?
   • It replaces the model probabilities with uniform random scores
   • It removes all but one candidate at the first step
   • It changes the training tokenizer after decoding
   • It penalizes similarity or overlap among candidates in different beam groups