Quiz szkoleniowy dotyczący fragmentowania punktów kontrolnych i możliwości wznowienia

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Dlaczego punkty kontrolne dużych modeli są podzielone na fragmenty?
   • Aby model trenował szybciej przy małych nakładach
   • Aby ukryć ciężary modelu przed użytkownikami
   • Ponieważ sharding poprawia dokładność
   • Ponieważ pojedynczy punkt kontrolny może być zbyt duży, aby jeden plik lub maszyna mogła go skutecznie obsłużyć
2. Which extra state is typically needed for training resumption beyond model weights?
   • Tylko ostateczny wynik dokładności
   • Optimizer and scheduler state, step progress, RNG state, and relevant data-loader progress
   • Only a model-weight shard index
   • A screenshot of the training dashboard
3. Jaka jest główna korzyść ze szkolenia z możliwością wznawiania w przypadku długich stanowisk pracy?
   • Eliminuje to potrzebę stosowania zestawu walidacyjnego
   • Gwarantuje, że model nigdy się nie przeciąży
   • Awaria lub wywłaszczenie nie wymusza ponownego uruchomienia od zera
   • Eliminuje optymalizator
4. In a sharded distributed checkpoint, how can ranks avoid gathering the entire state on one worker?
   • By saving their assigned local tensor shards with checkpoint metadata
   • By each emailing a full model copy
   • By deleting optimizer state before every save
   • By disabling all state serialization
5. Jaką rolę odgrywa plik indeksu w podzielonych na fragmenty punktach kontrolnych?
   • Przechowuje hasło użytkownika
   • Mapuje każdą nazwę parametru na plik fragmentu, który ją zawiera
   • Kompresuje obrazy w zestawie danych
   • Planuje tempo uczenia się
6. Jaki format jest powszechnie używany do bezpiecznego ładowania fragmentów modelu mapowanych w pamięci?
   • MP3
   • CSV
   • bezpieczniki
   • Archiwa tylko w formacie ZIP
7. A package contains safetensors weight shards and an index, but no optimizer state. What can it support by itself?
   • Loading model weights, without fully restoring optimizer training history
   • Guaranteed exact resumption of every interrupted run
   • Recovering the next batch position automatically
   • Reconstructing every random-number-generator state
8. A sharded checkpoint loader supports a new rank layout. What should the team verify before trusting recovery?
   • That fewer ranks guarantee identical floating-point results
   • That the weight index alone includes every application state
   • That no restart test is necessary
   • That the necessary saved state loads correctly and the resumed training step behaves as expected