Quiz dotyczący praw skalowania w sieciach neuronowych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. Które trzy wielkości pierwotne prawa skalowania odnoszą się do straty?
   • Wielkość partii, odpady i epoki
   • Parametry modelu, rozmiar zestawu danych i obliczenia
   • Szybkość uczenia się, zanik ciężaru i głębokość
   • Liczba procesorów graficznych, pamięć i opóźnienia
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • It eliminates the need for validation
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. Co oznacza stały (nieredukowalny) składnik we wzorze na stratę wynikającą z prawa skalowania?
   • Błąd oprogramowania
   • Szybkość uczenia się
   • Liczba procesorów graficznych
   • Wewnętrzna entropia danych, której nie może pokonać żaden model
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. Który trend wykracza poza proste skalowanie w stylu „im większe, tym lepsze”?
   • Procesory graficzne stają się bezpłatne
   • Niedobór danych wysokiej jakości oraz ograniczenia dotyczące energii i kosztów
   • Wyświetlany nieograniczony tekst wysokiej jakości
   • Krzywe strat zamieniające się w proste linie pionowe
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence