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.

Gerelateerde gidspadenLogit-bias
Vraag 1 van 8

Wat verandert logit bias?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. 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
  2. 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
  3. 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
  4. Aan welke identificatie is de logit bias gekoppeld?
    • Het woord in platte tekst
    • De zinspositie
    • De naam van het model
    • De numerieke token-ID
  5. 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
  6. 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
  7. 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
  8. 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