Gids-gekoppelde quiz · Middelmatig Niveau
Logit Bias-quiz
Beoordeel hoe logit-bias op token-ID's sampling verandert, de beperkingen van subwords en waarom token-niveau controles meer tekst kunnen beïnvloeden dan beoogd.
Vraag 1 van 8
Wat verandert logit bias?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat verandert logit bias?
- De score (logit) van specifieke tokens vóór de bemonstering
- De trainingsgewichten van het model zijn permanent
- De temperatuur van de hele prompt
- Het aantal tokens in het contextvenster
- Wat wordt in veel API's bereikt met een logit bias van -100 op een token?
- Maakt het token 100 keer waarschijnlijker
- Verbiedt effectief dat het token wordt gegenereerd
- Verwijdert het token voor altijd uit het vocabulaire
- Verdubbelt de snelheid van het model
- What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
- From 0 to 1 only
- From -1 to 1 only
- From -100 to 100
- Any string value
- Aan welke identificatie is de logit bias gekoppeld?
- Het woord in platte tekst
- De zinspositie
- De naam van het model
- De numerieke token-ID
- Wat is het effect van het toevoegen van een positieve bias, omdat logits door een softmax worden gevoerd?
- Het verhoogt exponentieel het relatieve gewicht van het token vóór normalisatie
- Het voegt lineair een vaste waarschijnlijkheid toe
- Het heeft geen effect tot de training
- Het verwijdert het token uit overweging
- Een belangrijk voordeel van logit bias ten opzichte van fine-tuning is dat het:
- Verbetert permanent de kennis van het model
- Vereist geen omscholing en geldt per aanvraag
- Vergroot de grootte van het contextvenster
- Werkt alleen op afbeeldingen
- Why should a developer inspect the tokenizer before applying a bias to a visible word?
- Token IDs are assigned only after sampling
- Visible words always equal one token
- The word may be represented by several token IDs, so biasing one ID may not cover all forms
- The tokenizer controls the model’s training data
- What is a practical risk of applying a strong positive bias to one token?
- It increases the context window
- It changes the model weights permanently
- It guarantees the token appears exactly once
- It can distort generation or produce repetitive, awkward text