Questionário de agregação de mistura de agentes

As respostas e explicações aparecem conforme você responde ao teste.

1. Na Mistura de Agentes, qual é o papel do modelo agregador?
   • Para sintetizar as respostas dos modelos proponentes em uma única resposta melhorada
   • Para excluir aleatoriamente todos os rascunhos, exceto um
   • Para traduzir o prompt em código
   • Para treinar os modelos proponentes
2. Em que propriedade principal dos LLMs o artigo do MoA se baseia?
   • Que LLMs não podem ler as saídas de outros modelos
   • Que os LLMs produzem melhores respostas quando mostradas as respostas dos pares ('colaboratividade')
   • Que LLMs sempre concordam
   • Que modelos maiores são desnecessários
3. Como o MoA difere da votação por maioria simples?
   • Ele escolhe a resposta mais comum literalmente
   • Ele usa apenas um modelo
   • O agregador lê todos os rascunhos como contexto e gera uma nova síntese
   • Ignora totalmente os proponentes
4. Por que a diversidade entre os modelos proponentes é valiosa no MoA?
   • Garante resultados idênticos
   • Reduz o número de camadas a zero
   • Isso torna todas as respostas erradas
   • Diferentes famílias de modelos contribuem com forças complementares que o agregador pode combinar
5. Qual é o principal custo prático da abordagem MoA?
   • Maior latência e computação, já que cada camada multiplica as chamadas de modelo
   • Não requer nenhuma inferência
   • Ele só pode produzir uma única palavra
   • Exclui o prompt original
6. O que o artigo do MoA relatou sobre modelos de código aberto no AlpacaEval 2.0?
   • Eles não conseguiram executar o benchmark
   • Um MoA de modelos abertos superou a pontuação do GPT-4 Omni
   • Modelos abertos sempre pontuaram zero
   • Apenas modelos fechados foram testados
7. What information is given to an agent in a later Mixture-of-Agents layer?
   • Only the original prompt with all earlier drafts removed
   • Only a majority-vote label
   • The outputs produced by agents in the preceding layer
   • A gradient update from each previous model
8. What is the purpose of placing several proposer models in the first MoA layer?
   • Train a shared base model from scratch
   • Choose one response by majority vote and discard the rest
   • Compress all outputs into a single token
   • Create a set of candidate responses for later agents and the aggregator to use