Test de temperatură și eșantionare

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce face creșterea temperaturii la ieșirea unui model?
   • O face mai deterministă și mai repetitivă
   • Modifică permanent greutățile modelului
   • Dezactivează funcția softmax
   • O face mai aleatorie și mai variată, cu mai multe șanse de jetoane neobișnuite
2. Înainte de eșantionare, scorurile token brute ale modelului (logits) sunt transformate în probabilități prin:
   • Filtrul top-k
   • Funcția softmax
   • Propagarea inversă
   • Tokenizatorul
3. What determines the candidate set in top-p sampling, compared with top-k?
   • Top-p always keeps exactly ten tokens
   • Both methods always keep every vocabulary token
   • Top-p uses the smallest leading set reaching a cumulative probability threshold; top-k uses a count
   • Top-k uses a cumulative threshold while top-p uses a fixed count
4. Din punct de vedere mecanic, ce face temperatura de fapt logit-urilor?
   • Împarte fiecare logit la T înainte de softmax
   • Adaugă un număr aleator la fiecare logit
   • Şterge cele mai mici logits
   • Înmulțiți probabilitățile finale cu T
5. For a structured-data task, what does choosing more predictable token selection fail to establish?
   • That a decoding setting was chosen
   • That the generated content is correct or valid
   • That token scores can be compared
   • That a model can produce an output
6. How does greedy decoding choose the next token?
   • It literally divides every logit by zero
   • It uniformly samples every vocabulary token
   • It permanently retrains the model
   • It selects a highest-scoring eligible token rather than sampling
7. Two token logits differ by six before temperature scaling. With positive temperature two, what is their scaled difference?
   • Trei
   • Twelve
   • Șase
   • Zero
8. For probabilities 0.55, 0.30, 0.10, and 0.05, how many leading tokens does top-p 0.80 keep?
   • Unul
   • Trei
   • Doi
   • Patru