Test legat de ghid · Mediu Nivel

Logit Bias Quiz

Review how token-ID logit bias alters sampling, its subword limitations and why token-level controls can affect more text than intended.

Căi de ghidare aferenteLogit Bias
Întrebare 1 de 8

Ce modifică logit bias?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce modifică logit bias?
    • Scorul (logit) al anumitor jetoane înainte de eșantionare
    • Antrenamentul modelului cântărește permanent
    • Temperatura întregului prompt
    • Numărul de jetoane din fereastra de context
  2. În multe API-uri, ce realizează o părtinire logit de -100 pe un token?
    • Face jetonul de 100 de ori mai probabil
    • Interzice efectiv generarea jetonului
    • Șterge pentru totdeauna simbolul din vocabular
    • Dublează viteza modelului
  3. What numeric range does the documented OpenAI Chat Completions logit_bias accept for a token?
    • From 0 to 1 only
    • From -1 to 1 only
    • From -100 to 100
    • Any string value
  4. Prejudecățile de logit sunt legate de ce identificator?
    • Cuvântul în text simplu
    • Poziția propoziției
    • Numele modelului
    • ID-ul simbolului numeric
  5. Deoarece logit-urile sunt trecute printr-un softmax, care este efectul adăugării unei părtiniri pozitive?
    • Mărește exponențial greutatea relativă a jetonului înainte de normalizare
    • Se adaugă liniar o probabilitate fixă
    • Nu are efect până la antrenament
    • Îndepărtează jetonul din considerare
  6. Un avantaj cheie al părtinirii logit față de reglare fină este că:
    • Îmbunătățește permanent cunoștințele modelului
    • Nu necesită recalificare și se aplică la cerere
    • Mărește dimensiunea ferestrei de context
    • Funcționează doar pe imagini
  7. Why should a developer inspect the tokenizer before applying a bias to a visible word?
    • Token IDs are assigned only after sampling
    • Visible words always equal one token
    • The word may be represented by several token IDs, so biasing one ID may not cover all forms
    • The tokenizer controls the model’s training data
  8. What is a practical risk of applying a strong positive bias to one token?
    • It increases the context window
    • It changes the model weights permanently
    • It guarantees the token appears exactly once
    • It can distort generation or produce repetitive, awkward text