Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący łączenia modeli

Dowiedz się, jak można łączyć zgodne punkty kontrolne modelu i wektory zadań, jakie zmiany metod łączenia się zmieniają i dlaczego każdy wynik wymaga oceny.

Powiązane ścieżki prowadząceŁączenie modeli
Pytanie 1 z 8

Co przede wszystkim łączy łączenie modeli?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co przede wszystkim łączy łączenie modeli?
    • Wagi (parametry) wielu modeli
    • Zbiory danych szkoleniowych wielu modeli
    • Prognozy wyjściowe wielu modeli w czasie wnioskowania
    • Akceleratory sprzętowe wykorzystywane do szkolenia
  2. „Wektor zadań” najlepiej opisać jako:
    • Lista zadań, które może wykonać model
    • Różnica między ciężarami modelu dopracowanego a ciężarami modelu podstawowego
    • Wektor tokenów wejściowych dla zadania
    • Gradient obliczony podczas jednego kroku szkoleniowego
  3. In the described weight-space merging methods, what can be avoided?
    • Evaluation of the merged checkpoint
    • Compatibility requirements between model weights
    • Additional gradient training and access to the original training data
    • Testing the result on intended tasks
  4. How do TIES-Merging and DARE differ in addressing parameter interference?
    • Both use the same sign-voting method and differ only in scale
    • DARE uses prompt engineering while TIES retrains on joint data
    • Both average model outputs instead of changing weights
    • They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
  5. Kluczowym warunkiem pomyślnego połączenia dwóch modeli jest to, że:
    • Mają tę samą architekturę i zazwyczaj wywodzą się ze wspólnego modelu podstawowego
    • Zostały przeszkolone na identycznych danych
    • Mają dokładnie taką samą liczbę kroków treningowych
    • Używaj tylko tego samego rozmiaru słownictwa tokenizera
  6. In task arithmetic, what do coefficients control when combining task vectors?
    • Which tokenizer each checkpoint must use
    • How strongly each parameter-change vector contributes to the merged checkpoint
    • How many training examples are generated
    • Whether an evaluation set is required
  7. What are the three main stages named by TIES-Merging?
    • Tokenize text, infer emotions, and export audio
    • Quantize weights, shard GPUs, and route network packets
    • Trim small changes, elect a sign direction, then merge aligned parameter updates
    • Train a reward model, collect labels, and run PPO
  8. Why should teams evaluate each task after a model merge?
    • Merging guarantees every benchmark improves
    • Evaluation is needed only to calculate the file size
    • A merged model cannot be run without retraining
    • Combining weight updates can create interference or reduce performance on a task