Gids-gekoppelde quiz · Middelmatig Niveau
Odds Ratio Voorkeur Optimalisatie Quiz
Legt ORPO's referentiemodelvrije voorkeursdoel, odds-ratio-straf en gecombineerde begeleide en voorkeurstraining uit.
Vraag 1 van 8
Wat is het belangrijkste praktische voordeel van ORPO ten opzichte van methoden als DPO?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het belangrijkste praktische voordeel van ORPO ten opzichte van methoden als DPO?
- Het elimineert de noodzaak voor een afzonderlijk referentiemodel
- Er zijn helemaal geen trainingsgegevens nodig
- Het werkt alleen op afbeeldingsmodellen
- Het garandeert nul hallucinaties
- Wat vergelijkt de 'odds ratio' in ORPO?
- Trainingssnelheid versus nauwkeurigheid
- De odds van het gekozen antwoord versus het afgewezen antwoord
- Twee verschillende leersnelheden
- De modelgrootte versus de grootte van de dataset
- What form does an ORPO preference example contain?
- Only a single unlabeled response
- A prompt with two identical completions
- A prompt with one chosen response and one disfavored response
- A reward score with no associated responses
- How does ORPO convert a response probability p into odds?
- One minus p divided by p
- The square root of p
- The logarithm of the prompt length
- p divided by one minus p
- Als welke combinatie kan het ORPO-verlies het beste worden omschreven?
- SFT-cross-entropie plus een gewogen odds-ratio-voorkeursterm
- Alleen een beloningsmodelscore
- Een pure versterkingslerende terugkeer
- Willekeurige geluidsinjectie
- Which response receives the supervised fine-tuning component of ORPO?
- Only the rejected response
- The chosen or preferred response
- A response sampled after deployment
- No response; ORPO has no language-modeling term
- Which parameter controls the weight of ORPO’s preference term relative to the supervised loss?
- De woordenschatgrootte van de tokenizer
- Het aantal aandachtshoofden
- The preference-loss coefficient
- The prompt’s character count
- Why should an ORPO result report its preference data and evaluation setup?
- ORPO results are identical across datasets
- The objective removes the need for evaluation
- The number of model layers determines every preference
- Outcomes depend on the dataset, coefficient, base model, and evaluation