Надзор за процессом выполнения викторины по математическому рассуждению

Ответы и пояснения появляются по мере прохождения теста.

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. Почему контроль только за результатом может вводить в заблуждение при решении математических задач?
   • Слишком медленно вычислять
   • Он не может обрабатывать десятичные дроби
   • Для решения каждой задачи требуются люди-оценщики
   • Модель может прийти к правильному ответу с помощью ошибочных шагов, которые сводят на нет
3. Что помогло OpenAI, выпущенному вместе с «Давайте проверим шаг за шагом»?
   • PRM800K, набор данных, содержащий около 800 000 меток уровня шага.
   • Новая архитектура графического процессора
   • Тестовый комплект GSM8K
   • Шахматный движок
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. Какой подход снижает потребность в дорогих маркировках шагов человека?
   • Полное отключение модели вознаграждения
   • Развертывания Монте-Карло, которые автоматически оценивают ценность каждого шага (например, Math-Shepherd)
   • Использование только окончательного ответа
   • Обучение большему количеству языков
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