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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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