수학 추론 퀴즈를 위한 프로세스 감독

퀴즈를 풀면 정답과 설명이 나타납니다.

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. 왜 결과에만 의존하는 감독이 수학 문제에 대해 오해를 불러일으킬 수 있습니까?
   • 계산이 너무 느리네요
   • 소수를 처리할 수 없습니다.
   • 모든 문제에는 인간 그레이더가 필요합니다.
   • 모델은 취소되는 결함이 있는 단계를 통해 정답에 도달할 수 있습니다.
3. OpenAI 릴리스는 '단계별 확인'과 함께 어떤 작업을 수행했나요?
   • PRM800K, ~800,000개의 단계 수준 레이블로 구성된 데이터 세트
   • 새로운 GPU 아키텍처
   • GSM8K 테스트 세트
   • 체스 엔진
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. 값비싼 인간 단계 라벨의 필요성을 줄이는 접근 방식은 무엇입니까?
   • 보상 모델을 완전히 비활성화
   • 각 단계의 값을 자동으로 추정하는 Monte Carlo 롤아웃(예: Math-Shepherd)
   • 최종 답변만 사용
   • 더 많은 언어에 대한 교육
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0.8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label