Gids-gekoppelde quiz · Middelmatig Niveau
Redeneringsquiz over de gedachtenboom
Controleert de vertakking van de Tree of Thoughts, het genereren van kandidaten, de statusevaluatie, het snoeien, zoekstrategieën en afwegingen tussen gevolgtrekkingen en berekeningen.
Vraag 1 van 8
Hoe verschilt Tree-of-Thoughts van gedachteketenprompts?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Hoe verschilt Tree-of-Thoughts van gedachteketenprompts?
- Het verkent meerdere vertakkende redeneerpaden in plaats van één lineaire keten
- Het verwijdert redeneerstappen volledig
- Het werkt alleen op beeldinvoer
- Er wordt helemaal geen taalmodel gebruikt
- Wat vertegenwoordigt een enkel knooppunt in Tree-of-Thoughts doorgaans?
- Alleen een volledig definitief antwoord
- Een gedeeltelijke oplossing of tussenliggende ‘gedachte’
- Een gebruikersquery
- Een getraind gewicht
- Welke rol speelt de staatsbeoordelaar in Tree-of-Thoughts?
- Het schrijft het uiteindelijke, op de gebruiker gerichte antwoord
- Het verwijdert het geheugen van het model
- Het scoort hoe kansrijk deeloplossingen zijn zodat zwakke takken gesnoeid kunnen worden
- Het vertaalt tussen talen
- Op de Game of 24-benchmark presteerde ToT dramatisch beter dan de gedachteketen, ongeveer met welke sprong?
- Van 90% tot 95% succes
- Helemaal geen verbetering
- Van 50% naar 51% succes
- Van ongeveer 4% tot ongeveer 74% succes
- Welke zoekstrategieën worden vaak gebruikt om door de gedachteboom te navigeren?
- Zoeken in de breedte eerst, eerst in de diepte of in de breedte
- Alleen maar willekeurig raden
- Alfabetisch sorteren
- Verloopafdaling op pixels
- Wat is de belangrijkste kostenafweging bij het gebruik van Tree-of-Thoughts?
- Het vermindert de nauwkeurigheid om tijd te besparen
- Het vereist meer gevolgtrekkingen in ruil voor een hogere nauwkeurigheid
- Er zijn geen modelaanroepen meer nodig dan één
- Het werkt alleen offline
- At one Tree-of-Thoughts node, what does the thought generator typically produce?
- A final answer only, with no intermediate states
- A new model checkpoint
- Several candidate next thoughts that could extend the partial solution
- A set of training labels for the prompt
- What decision does the ToT search procedure make after candidate states are generated and scored?
- Which tokenizer the model should use
- Whether to change the model’s weights
- How to label the original training corpus
- Which branches to expand and which to prune or stop exploring