Викторина по предварительному декодированию

Ответы и пояснения появляются по мере прохождения теста.

1. Что отличает упреждающее декодирование от стандартного спекулятивного декодирования?
   • Требуется две отдельно обученные модели.
   • Он не использует отдельную черновую модель — только саму целевую модель.
   • Это работает только для задач перевода.
   • Он постоянно квантует модель
2. Какой численный метод лежит в основе упреждающего декодирования?
   • Градиентный спуск
   • Преобразование Фурье
   • K-средства кластеризации
   • Итерация Якоби (с фиксированной запятой)
3. Какие две параллельные ветви выполняются на каждом этапе?
   • Ветка обучения и ветка тестирования.
   • Кодер и декодер
   • Ветка прогнозирования и ветка проверки
   • Эскиз модели и целевая модель
4. Что хранится в «пуле n-грамм»?
   • Правдоподобные последовательности из нескольких токенов, наблюдаемые во время параллельных итераций
   • История чата пользователя
   • Вес модели
   • Маски внимания
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed