Индукционные головки в викторине «Трансформеры»

Ответы и пояснения появляются по мере прохождения теста.

1. Какое правило по сути реализует индукционная головка?
   • Предсказать наиболее часто встречающийся токен на языке
   • Всегда копировать предыдущий токен без изменений
   • Случайным образом перетасуйте жетоны контекста.
   • См. [A][B] ранее, затем по [A] снова предскажите [B]
2. What capability was linked to induction-head behavior in the cited 2022 study?
   • In-context learning in the examined models, with broader large-model claims framed as hypotheses
   • A proof that every form of reasoning uses only one identical circuit
   • Changing the tokenizer vocabulary during every prompt
   • Permanent weight updates whenever a repeated token appears
3. Какую роль играет «головка предыдущего токена» в индукционной цепи?
   • Он генерирует окончательный softmax
   • Удаляет позиционную информацию
   • Он копирует информацию о предшественнике каждого токена вперед, чтобы могло произойти сопоставление.
   • Нормализует нагрузку внимания
4. Сколько голов внимания обычно задействовано в канонической цепи индукции?
   • Ровно один
   • Два, состоящие из нескольких слоев
   • Сотни в один слой
   • Ноль; это только прямая связь
5. What training relationship did the induction-head study report in the models it examined?
   • Head formation coincided with changes in loss behavior and increased in-context learning
   • All heads were fully formed before any training
   • Induction behavior could only appear after every parameter was frozen forever
   • The same exact training transition must occur in every future model
6. С какой задачей индукционная головка справится наиболее эффективно?
   • Вычисление числового градиента
   • Сжатие веса модели
   • Шифрование приглашения на ввод
   • Повторение последовательности путем копирования того, что последовало за ранее совпадающими токенами.
7. What roles do query-key matching and the output-value path play in the canonical induction circuit?
   • Query-key computations generate the final text filename; output-value computations train the tokenizer
   • Query-key computations select the matching context position; output-value computations promote the token information there
   • Both paths only count the total number of context words
   • The output-value path selects a position without any attention pattern
8. Does a demonstrated two-head induction circuit prove that every large-model in-context task uses that mechanism alone?
   • Yes; every architecture and prompt has already been causally tested
   • Yes; no other network computation can influence a prediction
   • No; the wider explanation remains a hypothesis needing model- and task-specific evidence
   • Only the number of parameters determines whether the proof is universal