Test legat de ghid · Mediu Nivel

Test de reglare promptă

Review soft prompts at the input layer, the frozen-model setup, and the scale-dependent results reported for prompt tuning.

Căi de ghidare aferenteAcordare promptă
Întrebare 1 de 8

Ce este un „prompt soft” în reglarea promptă?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce este un „prompt soft” în reglarea promptă?
    • Învățați vectori de încorporare continuă care nu trebuie să fie mapați cu cuvinte reale
    • O instrucțiune text formulată politicos
    • O copie distilata mai mica a modelului
    • Un set de logit-uri de ieșire înghețate
  2. Unde se adaugă reglarea promptă vectorii săi antrenabili?
    • La fiecare strat de transformator
    • Numai la stratul de încorporare de intrare
    • Numai la nivelul de ieșire
    • În starea optimizatorului
  3. Ce efect surprinzător a evidențiat lucrarea originală despre scara modelului?
    • Reglajul prompt se înrăutățește pe măsură ce modelele cresc
    • Scala nu are efect asupra reglajului prompt
    • Pe măsură ce modelele cresc, reglarea promptă se apropie de calitatea completă a reglajului fin
    • Modelele mai mari nu mai pot fi reglate prompt
  4. Cine a introdus acordarea promptă?
    • DeepMind în 2016
    • Anthropic în 2023
    • Microsoft în 2019
    • Cercetători de la Google (Lester, Al-Rfou, Constant) în 2021
  5. Cum permite reglarea promptă îndeplinirea mai multor sarcini dintr-un singur model?
    • Fiecare sarcină folosește propriul său mesaj moale, în timp ce modelul rămâne înghețat
    • Reantrenează întregul model pentru fiecare cerere
    • Acesta șterge sarcinile neutilizate din greutăți
    • Este nevoie de un GPU separat pentru fiecare sarcină
  6. How does Lester and colleagues’ paper describe prompt tuning in relation to prefix tuning?
    • As a replacement for frozen language models
    • As a simpler related method that the paper compares with prefix tuning
    • As a tokenizer with no trainable parameters
    • As a method that updates every model weight
  7. Which model family did Lester and colleagues use to study prompt tuning across scales?
    • WaveNet
    • AlphaFold2
    • T5
    • Pădure de izolare
  8. How are soft prompts optimized in prompt tuning?
    • By changing all model weights for each task
    • By replacing embeddings with hard-coded words only
    • By training a new tokenizer for every example
    • By backpropagation through a frozen language model to update the prompt vectors