Test legat de ghid · Greu Nivel

Chestionar pentru decodarea riscului minim Bayes

Testează utilitatea așteptată, pseudo-referințele eșantionate, comparațiile de candidați pătratici, limitele metrice și constrângerile pool-ului de candidati ale decodării MBR.

Căi de ghidare aferenteDecodificarea minimă a riscului Bayes
Întrebare 1 de 8

Ce selectează decodificarea MBR în loc de secvența cea mai probabilă?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce selectează decodificarea MBR în loc de secvența cea mai probabilă?
    • Candidatul cu cea mai mare utilitate așteptată față de alte rezultate probabile
    • Cea mai scurtă secvență
    • O mostră aleatorie
    • Cea mai lungă secvență
  2. Deoarece referințele adevărate nu sunt disponibile, ce folosește MBR ca pseudo-referințe?
    • Un corpus extern fix
    • Grupul de rezultate candidați eșantionate
    • Adnotări umane
    • Setul de antrenament
  3. De ce este MBR naiv costisitor din punct de vedere computațional?
    • Necesită recalificarea modelului
    • Are nevoie de un vocabular mai larg
    • Comparația în perechi a N candidați este apeluri metrice O(N pătrat).
    • Nu folosește 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. Auto-consecvența în raționament se referă la MBR deoarece:
    • Eșantionează multe lanțuri și alege răspunsul cel mai agreat
    • Ia întotdeauna primul răspuns eșantionat
    • Utilizează căutarea fasciculului intern
    • Ignoră distribuția modelului
  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