예측 디코딩 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 예측 디코딩과 표준 추측 디코딩의 차이점은 무엇입니까?
   • 두 개의 개별적으로 훈련된 모델이 필요합니다.
   • 별도의 초안 모델을 사용하지 않고 대상 모델 자체만 사용합니다.
   • 번역 작업에만 작동합니다.
   • 모델을 영구적으로 양자화합니다.
2. 예측 디코딩을 뒷받침하는 수치적 방법은 무엇입니까?
   • 경사하강법
   • 푸리에 변환
   • K-평균 클러스터링
   • 야코비(고정 소수점) 반복
3. 각 단계에서 실행되는 두 개의 병렬 분기는 무엇입니까?
   • 훈련 브랜치와 테스트 브랜치
   • 인코더와 디코더
   • 예측 분기와 검증 분기
   • 초안 모델과 대상 모델
4. 'n-gram pool'에는 무엇이 저장되나요?
   • 병렬 반복 중에 보이는 그럴듯한 멀티 토큰 시퀀스
   • 사용자의 채팅 기록
   • 모델 가중치
   • 주의 마스크
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed