Kuiz berkaitan panduan · Sederhana Tahap
Kuiz EleutherAI
Semak model bahasa terbuka EleutherAI, set data Pile, alat penilaian dan pilihan seni bina praktikal seperti RoPE.
soalan 1 daripada 8
How did EleutherAI first bring together its research community?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- How did EleutherAI first bring together its research community?
- As a Discord server for discussing GPT-3 and open language modeling
- Sebagai permulaan yang dibiayai oleh teroka di Silicon Valley
- Sebagai makmal penyelidikan kerajaan
- As a university’s official AI department
- Apakah 'The Pile'?
- Produk chatbot proprietari
- Set data teks susun atur terbuka 825GB untuk model bahasa latihan
- Sejenis lapisan rangkaian saraf
- Platform pengkomputeran awan EleutherAI
- Antara berikut, yang manakah model bahasa EleutherAI?
- BERT-Besar
- LLaMA-2
- GPT-NeoX-20B
- PaLM
- Apakah kegunaan LM Evaluation Harness?
- Menjana imej daripada teks
- Memampatkan berat model
- Model pengehosan sebagai API web
- Menanda aras model bahasa merentas banyak tugas
- Which organizations are named in EleutherAI’s retrospective as research supporters?
- CoreWeave and Google TPU Research Cloud
- Nvidia and the National Science Foundation only
- The U.S. Department of Energy and NASA
- Amazon and the European Space Agency
- Apakah perubahan organisasi yang dilakukan EleutherAI pada tahun 2023?
- Ia telah diperoleh oleh OpenAI
- Ia diformalkan sebagai institut penyelidikan bukan untung
- Ia menjadi dana lindung nilai untuk keuntungan
- Ia ditutup sepenuhnya
- Which positional method does the GPT-NeoX-20B paper describe using instead of learned absolute position embeddings?
- A separate learned embedding for every document
- A convolutional image-position map
- Rotary Positional Embeddings (RoPE)
- A random position permutation at each layer
- What architectural arrangement is highlighted as a GPT-NeoX-20B difference from GPT-3?
- The model replaces its Transformer with a decision tree
- Every layer removes the attention mechanism
- It uses only an encoder and no autoregressive decoder
- Attention and feed-forward layers can be computed in parallel