Test legat de ghid · Mediu Nivel

Testul Best-of-N de eșantionare și reclasificare

Înțelegeți selecția cel mai bun din N, limitările scorului, costurile în timp de inferență și ipotezele de probabilitate din spatele eșantionării mai multor candidați.

Căi de ghidare aferenteCea mai bună eșantionare și reclasificare a N
Întrebare 1 de 8

Care este ideea de bază a eșantionării best-of-N?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care este ideea de bază a eșantionării best-of-N?
    • Generați N rezultate candidate și alegeți-o pe cea mai bună cu un marcator
    • Antrenați modelul de N ori și faceți media greutăților
    • Utilizați numai prima ieșire pe care o produce modelul
    • Reduceți vocabularul la N jetoane
  2. When is best-of-N most likely to help?
    • When every output is equally good
    • When the model sometimes samples a correct candidate and a reliable verifier can identify it
    • When the task has no way to assess candidates
    • When sampling is disabled
  3. Ce determină în mare măsură dacă best-of-N îmbunătățește efectiv rezultatele?
    • Culoarea interfeței cu utilizatorul
    • Numai lungimea promptului
    • Calitatea și robustețea marcatorului sau verificatorului
    • Dimensiunea vocabularului modelului
  4. What can happen when N becomes large and the reward model is an imperfect proxy?
    • The model’s tokenizer is removed
    • The model forgets its training weights
    • All candidates become identical
    • Selection can favor outputs that exploit scorer errors and reduce true quality
  5. Ce strategie simplă de reclasificare este cunoscută și sub numele de auto-consecvență?
    • Votul majoritar dintre răspunsurile eșantionate
    • Alegerea celui mai lung răspuns
    • Alegerea unui eșantion aleatoriu
    • Luând întotdeauna rezultatul cu cea mai mică probabilitate
  6. What mainly drives the generation cost of best-of-N?
    • Only the number of vocabulary entries
    • The total amount of text generated across the sampled candidates
    • The user interface color
    • The number of model training runs
  7. If each independent sample succeeds with probability p and a perfect verifier picks any success, what is the chance at least one of N samples succeeds?
    • p/N
    • N−p
    • 1−(1−p)^N
    • 1−p^N
  8. Which assumption is needed for the simple 1−(1−p)^N success formula?
    • Every response has a different length
    • The model is retrained after each sample
    • The reward model has no parameters
    • The candidate samples are independent and the verifier recognizes success perfectly