Test de decodare Lookahead

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce diferențiază decodificarea anticipată de decodificarea speculativă standard?
   • Necesită două modele instruite separat
   • Nu utilizează un model de schiță separat, ci doar modelul țintă în sine
   • Funcționează doar pentru sarcini de traducere
   • Cuantifică permanent modelul
2. Ce metodă numerică stă la baza decodării anticipate?
   • Coborâre în gradient
   • transformata Fourier
   • K înseamnă grupare
   • Iterație Jacobi (punct fix).
3. Care sunt cele două ramuri paralele care parcurg la fiecare pas?
   • O ramură de instruire și o ramură de testare
   • Un encoder și un decodor
   • O sucursală anticipată și o sucursală de verificare
   • Un model schiță și un model țintă
4. Ce este stocat în „poolul n-gram”?
   • Secvențe plauzibile multi-token văzute în timpul iterațiilor paralele
   • Istoricul chat-ului utilizatorului
   • Greutăți model
   • Măști de atenție
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed