생각의 나무 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 생각의 나무는 생각의 연쇄 유도와 근본적으로 어떻게 다른가요?
   • 여러 추론 분기를 탐색하고 역추적할 수 있습니다.
   • 새로운 데이터로 모델을 재교육합니다.
   • 모든 중간 추론 단계를 제거합니다.
   • 이미지 생성에만 작동합니다.
2. 생각의 나무 시스템을 구성하는 세 가지 구성 요소는 무엇입니까?
   • 토크나이저, 임베더, 디코더
   • 사고 생성기, 상태 평가기 및 검색 알고리즘
   • 인코더, 어텐션 헤드, 소프트맥스
   • 데이터세트, 옵티마이저, 손실 함수
3. In the original Tree of Thoughts Game of 24 experiment, what result did breadth-five search report for its selected test set?
   • 100% success on every possible puzzle
   • 74% for every model and search budget
   • 74% success for GPT-4 with ToT, versus 4% for a single chain-of-thought baseline
   • 4% for ToT and 74% for chain-of-thought
4. 생각의 나무 시스템은 일반적으로 부분 솔루션을 어떻게 평가합니까?
   • 외부 데이터베이스를 쿼리하여
   • GPU 온도를 측정하여
   • 사용된 토큰 수를 계산하여
   • 모델이 상태를 확실함, 아마도 또는 불가능으로 평가하도록 유도합니다.
5. 기존 모델에 생각의 나무를 구현하는 것에 대한 사실은 무엇입니까?
   • 재교육이 아닌 프롬프트 및 검색 래퍼입니다.
   • 모델을 처음부터 다시 학습해야 합니다.
   • 특수 하드웨어에서만 실행될 수 있습니다.
   • 모델의 가중치를 영구적으로 변경합니다.
6. 추론 경로를 통해 중간 결과를 병합하고 재사용할 수 있는 관련 프레임워크는 무엇입니까?
   • 선형 회귀
   • 생각의 그래프
   • 일괄 정규화
   • 빔 폭 가지치기
7. Which components are commonly specified in a Tree of Thoughts setup?
   • A new tokenizer, an optimizer, and a training corpus
   • A database, a browser, and a GPU driver
   • Thought proposals, an intermediate-state evaluator, and a search procedure
   • A label encoder, a loss scaler, and a checkpoint
8. Why can Tree of Thoughts increase inference cost?
   • It always retrains the base model
   • It requires a separate model for every token
   • It eliminates all model calls after the first thought
   • It may generate and evaluate multiple candidate states across search steps