Gids-gekoppelde quiz · Moeilijk Niveau

Toolformer en autodidactische toolgebruikquiz

Controleert Toolformer's zelfgestuurde oproepgeneratie, op verlies gebaseerde filtering, API-markeringen, geselecteerde tools en de laatste stap voor fijnafstelling.

Vraag 1 van 8

Wat maakt de aanpak van Toolformer op het gebied van leermiddelengebruik onderscheidend?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat maakt de aanpak van Toolformer op het gebied van leermiddelengebruik onderscheidend?
    • Het genereert en filtert zijn eigen tool-call-trainingsvoorbeelden, onder eigen toezicht
    • Het is afhankelijk van duizenden door mensen gelabelde tooloproepen
    • Het maakt alleen gebruik van versterkend leren van menselijke feedback
    • Het codeert elke gereedschapsoproep met de hand
  2. Welk criterium gebruikt Toolformer om te beslissen of een kandidaat-API-aanroep behouden blijft?
    • Of een menselijke beoordelaar het goedkeurt
    • Of het resultaat van de oproep het verlies van het model op de volgende tokens vermindert
    • Of de aanroep een niet-lege tekenreeks retourneert
    • Of het gesprek binnen één seconde plaatsvindt
  3. Welke set tools heeft de originele Toolformer leren gebruiken?
    • Beeldgenerator, muzieksynthesizer en 3D-renderer
    • Alleen een Python-interpreter
    • Rekenmachine, QA-systeem, zoekmachine, vertaler en kalender
    • Alleen een webbrowser en een bestandssysteem
  4. Hoe worden tooloproepen weergegeven in de tekst tijdens het proces van Toolformer?
    • Als aparte audiokanalen
    • Als afbeeldingen toegevoegd aan het document
    • Alleen als vermeldingen in een externe database
    • Als speciale tokens die de API-oproep en het resultaat ervan inline markeren
  5. Welke onderliggende zwakte van grote taalmodellen motiveerde Toolformer?
    • Ze zijn slecht in rekenen, actuele feiten en nauwkeurig opzoeken
    • Ze kunnen geen vloeiende zinnen genereren
    • Ze kunnen niet worden verfijnd
    • Ze werken alleen in het Engels
  6. Wat doet Toolformer ermee na het genereren en filteren van voorbeelden van toolcalls?
    • Gooi ze weg en begin opnieuw
    • Verfijnt het model op de gefilterde, zelf gegenereerde dataset
    • Stuurt ze naar menselijke annotators om ze opnieuw te labelen
    • Slaat ze alleen op voor evaluatie
  7. Why compare the next-token loss with and without an API result when filtering a candidate call?
    • To select the API with the longest response
    • To remove all calls that change the context
    • To retain calls whose result improves prediction of the following real text
    • To maximize the number of API calls per paragraph
  8. Once useful tool-call examples are filtered, how does Toolformer incorporate them?
    • It discards them and trains only on human ratings
    • It changes the API results into class labels
    • It retrains each external API from scratch
    • It fine-tunes on the resulting self-generated examples