Gids-gekoppelde quiz · Middelmatig Niveau
Schaalwetten voor neurale netwerken Quiz
Test hoe empirische schaalwetten het verlies van taalmodellen relateren aan parameters, gegevens en berekeningen, en waar hun voorspellingen van toepassing zijn.
Vraag 1 van 8
What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
- Approximate power-law relationships over the tested ranges
- A sudden guaranteed drop to zero
- A fixed increase in loss for every larger model
- Random oscillation with no measurable trend
- Op welke drie grootheden hebben de oorspronkelijke schaalwetten betrekking op verlies?
- Batchgrootte, uitval en tijdperken
- Modelparameters, datasetgrootte en rekenkracht
- Leersnelheid, gewichtsverval en diepte
- GPU-aantal, geheugen en latentie
- How can a scaling-law fit help when planning a larger training run?
- It guarantees the final benchmark score
- It eliminates the need for validation
- It can inform an extrapolation from smaller experiments, subject to the tested setup
- It predicts results exactly for any dataset or architecture
- Wat vertegenwoordigt de constante (onherleidbare) term in een verliesformule op basis van de schaalwet?
- Een softwarefout
- Het leerpercentage
- Het aantal GPU's
- De intrinsieke entropie van de gegevens die geen enkel model kan verslaan
- Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
- The reducible loss term shrinks while the loss approaches its floor
- The data is removed after each compute increase
- The model stops using parameters
- Power laws require loss to increase over time
- Welke trend duwt het veld verder dan de simpele ‘groter is beter’ schaalvergroting?
- GPU's worden gratis
- Schaarste aan hoogwaardige data plus energie- en kostenbeperkingen
- Er wordt onbeperkt tekst van hoge kwaliteit weergegeven
- Verliescurven veranderen in rechte verticale lijnen
- What did the original Kaplan study say about architecture details such as width and depth within its tested range?
- They always dominated model size, data, and compute
- They made loss independent of data
- They had relatively small effects compared with the studied scaling variables
- They guaranteed the same performance for all architectures
- What compute-allocation tendency did the original Kaplan paper report?
- Every model should be trained to zero loss
- Small models always use less compute at equal loss
- Training data has no effect on compute allocation
- Large models could be more sample-efficient and compute-efficient training could stop before convergence