Quiz dotyczący temperatury i pobierania próbek

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki wpływ ma podniesienie temperatury na moc wyjściową modelu?
   • Czyni go bardziej deterministycznym i powtarzalnym
   • Trwale zmienia wagę modelu
   • Wyłącza funkcję softmax
   • Sprawia, że jest bardziej losowy i zróżnicowany, z większą szansą na niezwykłe tokeny
2. Przed próbkowaniem surowe wyniki tokenów modelu (logity) przekształca się w prawdopodobieństwa poprzez:
   • Filtr górnego k
   • Funkcja softmax
   • Propagacja wsteczna
   • Tokenizator
3. What determines the candidate set in top-p sampling, compared with top-k?
   • Top-p always keeps exactly ten tokens
   • Both methods always keep every vocabulary token
   • Top-p uses the smallest leading set reaching a cumulative probability threshold; top-k uses a count
   • Top-k uses a cumulative threshold while top-p uses a fixed count
4. Mechanicznie, co temperatura faktycznie robi z logitami?
   • Dzieli każdy logit przez T przed softmax
   • Dodaje losową liczbę do każdego logita
   • Usuwa najniższe logity
   • Mnoży ostateczne prawdopodobieństwa przez T
5. For a structured-data task, what does choosing more predictable token selection fail to establish?
   • That a decoding setting was chosen
   • That the generated content is correct or valid
   • That token scores can be compared
   • That a model can produce an output
6. How does greedy decoding choose the next token?
   • It literally divides every logit by zero
   • It uniformly samples every vocabulary token
   • It permanently retrains the model
   • It selects a highest-scoring eligible token rather than sampling
7. Two token logits differ by six before temperature scaling. With positive temperature two, what is their scaled difference?
   • Trzy
   • Dwanaście
   • Sześć
   • Zero
8. For probabilities 0.55, 0.30, 0.10, and 0.05, how many leading tokens does top-p 0.80 keep?
   • Jeden
   • Trzy
   • Dwa
   • Cztery