Mirostat Perplexity Quiz kontrolny

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. What does Mirostat try to control during generation?
   • A target level of output perplexity or surprise
   • Liczba parametrów modelu
   • The training dataset size
   • Temperatura GPU
2. Czym Mirostat zasadniczo różni się od standardowego próbkowania top-k lub top-p?
   • Nigdy nie wykorzystuje losowości
   • Dynamicznie dostosowuje obcięcie za pomocą sprzężenia zwrotnego zamiast stałego odcięcia
   • Działa tylko na obrazach
   • Wymaga to przeszkolenia modelu
3. Jaką rolę w Mirostacie pełni parametr eta?
   • Ustawia rozmiar słownictwa
   • Ustala długość wyjściową
   • To szybkość uczenia się kontroluje szybkość dostosowywania się progu
   • Wyłącza próbkowanie
4. Jakie jest główne ulepszenie Mirostatu w wersji 2 w stosunku do wersji 1?
   • Generuje również obrazy
   • Wymaga więcej pamięci
   • Usuwa parametr tau
   • Porzuca założenie dystrybucji Zipfiana na rzecz prostszej i solidniejszej kontroli
5. Jeśli Mirostat wykryje, że dane wyjściowe stają się zbyt przewidywalne,:
   • Poluzuj obcięcie, aby uwzględnić bardziej zróżnicowane tokeny
   • Zwiększ obcięcie, aby zezwolić na mniejszą liczbę tokenów
   • Natychmiast przestań generować
   • Zwiększ rozmiar modelu
6. Which Mirostat settings does current llama.cpp expose?
   • Tokenizer vocabulary and number of layers
   • Mode, target tau, and learning-rate eta
   • Only the prompt length
   • Training epochs and validation loss
7. What does eta control in Mirostat’s feedback update?
   • Rozmiar słownika modelowego
   • The target number of output tokens
   • How strongly the threshold changes in response to the observed error
   • The probability of a correct factual answer
8. What does a Mirostat target not guarantee by itself?
   • That the sampler reads token probabilities
   • That the setting can influence surprise
   • That the output contains tokens
   • That the generated text is factually correct