Supravegherea procesului pentru testul de raționament matematic

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Where does process supervision provide feedback compared with outcome supervision?
   • Only at the physical GPU temperature
   • At intermediate reasoning steps rather than only the final result
   • Only at the document filename
   • Only at an increased vocabulary size
2. De ce poate fi înșelătoare supravegherea numai cu rezultate pentru probleme de matematică?
   • Este prea lent pentru a calcula
   • Nu poate gestiona zecimale
   • Este nevoie de calificatori umani pentru fiecare problemă
   • Un model poate ajunge la răspunsul corect prin pași greșiți care se anulează
3. Ce a lansat OpenAI împreună cu „Să verificăm pas cu pas”?
   • PRM800K, un set de date de ~800.000 de etichete la nivel de pas
   • O nouă arhitectură GPU
   • Setul de testare GSM8K
   • Un motor de șah
4. In best-of-N math selection with a process reward model, what does the verifier do?
   • Guarantees that a correct candidate was generated
   • Changes every tokenizer token into a proof axiom
   • Scores generated candidate solutions under the chosen aggregation rule
   • Replaces the original problem with a translation
5. Ce abordare reduce nevoia de etichete scumpe pentru pas uman?
   • Dezactivarea completă a modelului de recompensă
   • Lansări Monte Carlo care estimează automat valoarea fiecărui pas (de exemplu, Math-Shepherd)
   • Folosind doar răspunsul final
   • Instruire pe mai multe limbi
6. What can low step-level verifier scores usefully indicate to someone reviewing a solution?
   • Steps that merit closer inspection
   • An infallible location of the first actual error
   • A mathematical proof that all other steps are correct
   • The exact temperature used to sample every token
7. For step scores 0.9 and 0.8, what is the solution score under a product aggregation rule?
   • 0.8
   • 0.85
   • 1.7
   • 0.72
8. Which data-selection strategy did Let’s Verify Step by Step study to improve labeling efficiency?
   • Choosing examples only by alphabetical filename order
   • Removing every incorrect-answer candidate from the labeling pool
   • Active learning that selected informative candidate solutions
   • Using an unlabeled test answer as the final human label