Questionário sobre cabeças de indução em transformadores

As respostas e explicações aparecem conforme você responde ao teste.

1. Que regra um cabeçote de indução implementa essencialmente?
   • Preveja o token mais frequente na linguagem
   • Sempre copie o token anterior inalterado
   • Embaralhe aleatoriamente os tokens de contexto
   • Veja [A][B] anteriormente e, em [A] novamente, preveja [B]
2. What capability was linked to induction-head behavior in the cited 2022 study?
   • In-context learning in the examined models, with broader large-model claims framed as hypotheses
   • A proof that every form of reasoning uses only one identical circuit
   • Changing the tokenizer vocabulary during every prompt
   • Permanent weight updates whenever a repeated token appears
3. Qual o papel da 'cabeça do token anterior' no circuito de indução?
   • Ele gera o softmax final
   • Remove informações posicionais
   • Ele copia as informações do antecessor de cada token para que a correspondência possa acontecer
   • Normaliza os pesos da atenção
4. Quantas cabeças de atenção estão normalmente envolvidas no circuito de indução canônica?
   • Exatamente um
   • Dois, compostos por camadas
   • Centenas em uma única camada
   • Zero; é apenas feed-forward
5. What training relationship did the induction-head study report in the models it examined?
   • Head formation coincided with changes in loss behavior and increased in-context learning
   • All heads were fully formed before any training
   • Induction behavior could only appear after every parameter was frozen forever
   • The same exact training transition must occur in every future model
6. Qual tarefa um cabeçote de indução realizaria mais diretamente?
   • Calculando um gradiente numérico
   • Comprimindo os pesos do modelo
   • Criptografando o prompt de entrada
   • Repetir uma sequência copiando o que se seguiu aos tokens correspondentes anteriores
7. What roles do query-key matching and the output-value path play in the canonical induction circuit?
   • Query-key computations generate the final text filename; output-value computations train the tokenizer
   • Query-key computations select the matching context position; output-value computations promote the token information there
   • Both paths only count the total number of context words
   • The output-value path selects a position without any attention pattern
8. Does a demonstrated two-head induction circuit prove that every large-model in-context task uses that mechanism alone?
   • Yes; every architecture and prompt has already been causally tested
   • Yes; no other network computation can influence a prediction
   • No; the wider explanation remains a hypothesis needing model- and task-specific evidence
   • Only the number of parameters determines whether the proof is universal