Gids-gekoppelde quiz · Middelmatig Niveau

Best-of-N-quiz voor bemonstering en herrangschikking

Begrijp de best-of-N-selectie, de beperkingen van de scorer, de kosten voor inferentietijd en de waarschijnlijkheidsaannames achter het samplen van meer kandidaten.

Vraag 1 van 8

Wat is het kernidee van best-of-N-sampling?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is het kernidee van best-of-N-sampling?
    • Genereer N-kandidaatoutputs en kies de beste met een scorer
    • Train het model N keer en bereken het gemiddelde van de gewichten
    • Gebruik alleen de eerste uitvoer die het model produceert
    • Reduceer de woordenschat tot N-tokens
  2. When is best-of-N most likely to help?
    • When every output is equally good
    • When the model sometimes samples a correct candidate and a reliable verifier can identify it
    • When the task has no way to assess candidates
    • When sampling is disabled
  3. Wat bepaalt grotendeels of best-of-N daadwerkelijk de resultaten verbetert?
    • De kleur van de gebruikersinterface
    • Alleen de lengte van de prompt
    • De kwaliteit en robuustheid van de scorer of verificateur
    • De woordenschatgrootte van het model
  4. What can happen when N becomes large and the reward model is an imperfect proxy?
    • The model’s tokenizer is removed
    • The model forgets its training weights
    • All candidates become identical
    • Selection can favor outputs that exploit scorer errors and reduce true quality
  5. Welke eenvoudige herrangschikkingsstrategie wordt ook wel zelfconsistentie genoemd?
    • Meerderheidsstemming onder de steekproefantwoorden
    • Het langste antwoord kiezen
    • Het kiezen van een willekeurig monster
    • Neem altijd de uitvoer met de laagste waarschijnlijkheid
  6. What mainly drives the generation cost of best-of-N?
    • Only the number of vocabulary entries
    • The total amount of text generated across the sampled candidates
    • The user interface color
    • The number of model training runs
  7. If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
    • p/N
    • N−p
    • 1−(1−p)^N
    • 1−p^N
  8. Which assumption is needed for the simple 1−(1−p)^N success formula?
    • Every response has a different length
    • The model is retrained after each sample
    • The reward model has no parameters
    • The candidate samples are independent and the verifier recognizes success perfectly