Questionário vinculado ao guia · Médio Nível
Questionário de pesquisa de feixe
Explore como a pesquisa de feixe mantém diversas sequências parciais de alta pontuação e como as penalidades de pontuação moldam o texto de saída final.
Pergunta 1 de 8
O que a 'largura do feixe' (k) controla na busca de feixe?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- O que a 'largura do feixe' (k) controla na busca de feixe?
- Quantas sequências candidatas parciais são mantidas em cada etapa de decodificação
- O comprimento máximo da sequência gerada
- A temperatura aplicada às probabilidades
- O tamanho do vocabulário do modelo
- Como a pesquisa por feixe difere da decodificação gananciosa?
- Ele sempre escolhe o token de maior probabilidade
- Ele mantém várias sequências parciais de alta pontuação em vez de se comprometer com uma
- Ele amostra tokens aleatoriamente
- Ele ignora totalmente as probabilidades do token
- Por que a normalização de comprimento é comumente aplicada na busca de feixes?
- Para tornar a geração mais rápida
- Para aumentar o tamanho do vocabulário
- Porque a soma das probabilidades logarítmicas direciona as pontuações para sequências mais curtas
- Para adicionar aleatoriedade às saídas
- Para qual tarefa a busca por feixe é especialmente adequada?
- Narrativa criativa aberta
- Gerando texto aleatório com a maior diversidade
- Produzindo poesia imprevisível
- Tradução automática, onde se deseja um resultado fiel de alta probabilidade
- Qual é a desvantagem conhecida de usar uma largura de feixe muito grande para geração aberta?
- Pode produzir texto mais brando, repetitivo ou degenerado
- Garante a produção mais criativa
- Elimina a necessidade de qualquer modelo de probabilidade
- Faz com que o modelo ignore a entrada
- Em cada etapa, como a busca por feixe decide quais candidatos manter?
- Pela ordem alfabética dos tokens
- Por pontuação cumulativa (soma das probabilidades logarítmicas), mantendo os k primeiros
- Ao escolher os candidatos mais longos
- Por seleção aleatória entre todos os candidatos
- What problem does GNMT’s coverage penalty aim to reduce in translation?
- Repeatedly encoding the same source vocabulary
- The use of subword units
- Output translations that fail to cover source words
- The number of encoder layers
- What does diverse beam search modify to encourage different candidate outputs?
- It replaces the model probabilities with uniform random scores
- It removes all but one candidate at the first step
- It changes the training tokenizer after decoding
- It penalizes similarity or overlap among candidates in different beam groups