Quiz dotyczący dekodowania z wyprzedzeniem

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co odróżnia dekodowanie z wyprzedzeniem od standardowego dekodowania spekulatywnego?
   • Wymaga dwóch oddzielnie przeszkolonych modeli
   • Nie wykorzystuje oddzielnego modelu roboczego — jedynie sam model docelowy
   • Działa tylko w przypadku zadań tłumaczeniowych
   • Trwale kwantyzuje model
2. Która metoda numeryczna leży u podstaw dekodowania z wyprzedzeniem?
   • Zejście gradientowe
   • Transformata Fouriera
   • K-oznacza grupowanie
   • Iteracja Jacobiego (punkt stały).
3. Jakie są dwie równoległe gałęzie biegnące na każdym kroku?
   • Branża szkoleniowa i branża testowa
   • Koder i dekoder
   • Oddział lookahead i oddział weryfikacji
   • Model roboczy i model docelowy
4. Co jest przechowywane w „puli n-gramów”?
   • Wiarygodne sekwencje wielu tokenów zaobserwowane podczas równoległych iteracji
   • Historia czatów użytkownika
   • Wagi modeli
   • Uwaga maski
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed