Gids-gekoppelde quiz · Middelmatig Niveau
Perplexity en quiz over taalstatistieken
Beoordeel de waarschijnlijkheid van referentietokens, kruisentropie, uniforme basislijnen, vergelijkbare tokenisatie, BLEU, kwaliteitslimieten, contextvensters en gemaskeerde modellen.
Vraag 1 van 8
Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Under the same autoregressive text-scoring setup, what does lower perplexity indicate?
- Lower average negative log-likelihood for the reference tokens
- A guarantee of more factually correct generated answers
- A guarantee of a larger parameter count
- A requirement that every top-choice prediction be correct
- Using natural-log negative log-likelihood, how is autoregressive perplexity computed from its average?
- By multiplying the parameter count by the context length
- By subtracting the average from the number of attention heads
- By taking the average learning rate
- By exponentiating the average negative log-likelihood
- Een model wijst uniforme waarschijnlijkheid toe aan een vocabulaire van 10.000 woorden zonder dat er iets geleerd hoeft te worden. Wat is zijn verbijstering?
- 1
- 10.000
- 0
- 100
- Why do tokenizer and corpus settings matter when directly comparing per-token perplexity values?
- Perplexity ignores every scored reference token
- All corpora necessarily produce the same likelihood
- They change the units or reference data over which probabilities are averaged
- Only model parameter count determines the score
- Which translation-reference metric uses modified n-gram precision and a brevity penalty?
- Perplexity
- Gemiddelde kwadratische pixelfout
- Het aantal parameters van het model
- BLEU
- Welke belangrijke beperking duwt onderzoekers voorbij de verwarring bij het beoordelen van de kwaliteit in de echte wereld?
- Perplexity meet de voorspelling van het volgende woord, niet of de uitvoer nuttig, waar of nuttig is
- Perplexity is te duur om te berekenen
- Perplexity kan niet worden berekend op basis van tekstgegevens
- Perplexity werkt alleen tijdens inferentie, niet tijdens training
- When scoring a long text with a fixed-context model, what can a sliding-window procedure provide that disjoint chunks lose near boundaries?
- A new vocabulary learned automatically at every boundary
- A guarantee that generated answers are factually correct
- More preceding context for the scored target tokens
- A requirement to count each overlapping target repeatedly
- Why is conventional left-to-right perplexity not directly the same score for a BERT-style masked language model?
- BERT has no learned parameters
- The masked model does not directly define the same autoregressive sequence factorization
- Every masked-token probability is necessarily zero
- Perplexity is defined only for image pixels