Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Groq

Semak bagaimana LPU Groq menggabungkan penjadualan pengkompil, memori pada cip dan reka bentuk inferens-diutamakan untuk penyajian model pantas.

Laluan panduan yang berkaitanGroq
soalan 1 daripada 8

Apakah maksud LPU Groq?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah maksud LPU Groq?
    • Unit Pemprosesan Bahasa
    • Unit Pemprosesan Logik
    • Unit Prestasi Linear
    • Unit Ramalan Latensi
  2. Cip Groq dioptimumkan terutamanya untuk bahagian aliran kerja AI yang manakah?
    • Model latihan dari awal
    • Inferens (menjalankan model terlatih)
    • Pelabelan data
    • Pemampatan imej
  3. Apakah ciri yang menentukan seni bina LPU?
    • Penjadualan perkakasan dinamik dengan cache besar
    • Pergantungan pada storan cakera berputar
    • Deterministik, pelaksanaan berjadual pengkompil
    • Pesanan arahan rawak
  4. Siapa yang mengasaskan Groq, dan apakah kerja terdahulunya yang terkenal?
    • Pengasas barisan GPU Nvidia
    • Pengasas OpenAI
    • Pencipta CPU
    • Jonathan Ross, yang membantu mencipta TPU Google
  5. Apakah yang disediakan oleh GroqCloud?
    • Akses API untuk menjalankan model AI pada perkakasan Groq
    • Rangkaian media sosial
    • Suite penyuntingan video
    • Perkhidmatan sandaran fail
  6. Pernyataan manakah yang membezakan Groq dengan betul?
    • Groq ialah bot sembang Elon Musk
    • Groq ialah syarikat cip, berbeza daripada chatbot Grok
    • Groq ialah aplikasi sosial
    • Groq membuat cakera keras berputar
  7. What role does on-chip SRAM play in Groq's LPU design?
    • It acts as an external archive for completed user conversations
    • It replaces the compiler's instruction schedule
    • It stores and retrieves data close to the compute units with low latency
    • It stores only model outputs after inference ends
  8. In Groq's programmable assembly-line architecture, what does the compiler schedule?
    • Which user requests should be answered first
    • The training labels for each model
    • The order of tokens in the model's vocabulary
    • The movement of data and instructions through compute units