Questionário vinculado ao guia · Difícil Nível

Questionário de decodificação de risco mínimo de Bayes

Testa a utilidade esperada, pseudorreferências amostradas, comparações quadráticas de candidatos, limites métricos e as restrições do conjunto de candidatos da decodificação MBR.

Caminhos de guia relacionadosDecodificação de risco mínimo de Bayes
Pergunta 1 de 8

O que a decodificação MBR seleciona em vez da sequência mais provável?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. O que a decodificação MBR seleciona em vez da sequência mais provável?
    • O candidato com a maior utilidade esperada em relação a outros resultados prováveis
    • A sequência mais curta
    • Uma amostra aleatória
    • A sequência mais longa
  2. Como as referências verdadeiras não estão disponíveis, o que o MBR usa como pseudorreferências?
    • Um corpus externo fixo
    • O conjunto de resultados candidatos amostrados
    • Anotações humanas
    • O conjunto de treinamento
  3. Por que o MBR ingênuo é computacionalmente caro?
    • Requer um novo treinamento do modelo
    • Precisa de um vocabulário maior
    • A comparação entre pares de N candidatos é uma chamada de métrica O(N ao quadrado)
    • Não usa GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. A autoconsistência no raciocínio está relacionada ao MBR porque:
    • Amostra muitas cadeias e escolhe a resposta mais consensual
    • Sempre pega a primeira resposta amostrada
    • Usa pesquisa de feixe internamente
    • Ignora a distribuição do modelo
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool