혼합제 집합 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. Mixture-of-Agents에서 수집자 모델의 역할은 무엇입니까?
   • 제안자 모델의 응답을 하나의 개선된 답변으로 종합합니다.
   • 하나의 초안을 제외한 모든 항목을 무작위로 삭제하려면
   • 프롬프트를 코드로 변환하려면
   • 제안자 모델을 훈련하려면
2. MoA 논문이 의존하는 LLM의 주요 속성은 무엇입니까?
   • LLM은 다른 모델의 출력을 읽을 수 없습니다.
   • LLM은 동료의 응답('협업성')을 보여줄 때 더 나은 답변을 생성합니다.
   • LLM은 항상 동의합니다
   • 더 큰 모델은 불필요하다
3. MoA는 단순다수투표와 어떻게 다른가요?
   • 가장 일반적인 답변을 그대로 선택합니다.
   • 하나의 모델만 사용합니다.
   • 수집자는 모든 초안을 컨텍스트로 읽고 새로운 종합을 생성합니다.
   • 제안자를 완전히 무시합니다.
4. MoA에서 제안자 모델 간의 다양성이 왜 중요한가요?
   • 동일한 출력을 보장합니다.
   • 레이어 수를 0으로 줄입니다.
   • 모든 대답을 틀리게 만듭니다
   • 다양한 모델군은 수집자가 결합할 수 있는 보완적인 강점을 제공합니다.
5. MoA 접근법의 주요 실제 비용은 얼마입니까?
   • 각 레이어가 모델 호출을 곱하므로 지연 시간과 컴퓨팅이 더 길어집니다.
   • 추론이 전혀 필요하지 않습니다.
   • 한 단어만 출력할 수 있습니다.
   • 원래 프롬프트를 삭제합니다.
6. MoA 논문에서는 AlpacaEval 2.0의 오픈 소스 모델에 대해 무엇을 보고했습니까?
   • 벤치마크를 실행할 수 없었습니다.
   • 개방형 모델의 MoA가 GPT-4 Omni의 점수를 능가했습니다.
   • 개방형 모델은 항상 0점을 받았습니다.
   • 폐쇄형 모델만 테스트함
7. What information is given to an agent in a later Mixture-of-Agents layer?
   • Only the original prompt with all earlier drafts removed
   • Only a majority-vote label
   • The outputs produced by agents in the preceding layer
   • A gradient update from each previous model
8. What is the purpose of placing several proposer models in the first MoA layer?
   • Train a shared base model from scratch
   • Choose one response by majority vote and discard the rest
   • Compress all outputs into a single token
   • Create a set of candidate responses for later agents and the aggregator to use