Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Pengagregatan Campuran Ejen

Semak peranan pencadang dan pengagregat MoA, perkongsian berlapis draf, kesan kerjasama dan tukar ganti kos inferens.

Laluan panduan yang berkaitanCampuran Agregasi Ejen
soalan 1 daripada 8

Dalam Mixture-of-Agents, apakah peranan model agregator?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Dalam Mixture-of-Agents, apakah peranan model agregator?
    • Untuk mensintesis jawapan model pencadang menjadi satu jawapan yang dipertingkatkan
    • Untuk memadam semua kecuali satu draf secara rawak
    • Untuk menterjemah gesaan ke dalam kod
    • Untuk melatih model pencadang
  2. Apakah sifat utama LLM yang bergantung kepada kertas MoA?
    • Bahawa LLM tidak boleh membaca output model lain
    • Bahawa LLM menghasilkan jawapan yang lebih baik apabila ditunjukkan respons rakan sebaya ('kolaboratif')
    • Bahawa LLM sentiasa bersetuju
    • Bahawa model yang lebih besar tidak diperlukan
  3. Bagaimanakah MoA berbeza daripada pengundian majoriti mudah?
    • Ia memilih jawapan yang paling biasa secara verbatim
    • Ia hanya menggunakan satu model
    • Agregator membaca semua draf sebagai konteks dan menghasilkan sintesis baharu
    • Ia mengabaikan pencadang sepenuhnya
  4. Mengapakah kepelbagaian antara model pencadang bernilai dalam MoA?
    • Ia menjamin output yang sama
    • Ia mengurangkan bilangan lapisan kepada sifar
    • Ia menjadikan semua jawapan salah
    • Keluarga model yang berbeza menyumbang kekuatan pelengkap yang boleh digabungkan oleh pengagregat
  5. Apakah kos praktikal utama pendekatan MoA?
    • Kependaman dan pengiraan yang lebih tinggi, kerana setiap lapisan mendarabkan panggilan model
    • Ia tidak memerlukan inferens sama sekali
    • Ia hanya boleh mengeluarkan satu perkataan
    • Ia memadamkan gesaan asal
  6. Apakah laporan kertas MoA tentang model sumber terbuka pada AlpacaEval 2.0?
    • Mereka tidak dapat menjalankan penanda aras
    • MoA model terbuka melepasi markah GPT-4 Omni
    • Model terbuka sentiasa mendapat markah sifar
    • Hanya model tertutup telah diuji
  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