Викторина по встраиванию вращающихся позиций

Ответы и пояснения появляются по мере прохождения теста.

1. Как RoPE вводит информацию о положении в трансформатор?
   • Путем вращения пар измерений в запросе и ключевых векторов на угол, зависящий от положения.
   • Добавляя фиксированный вектор к входным вложениям
   • Путем случайного изменения порядка жетонов
   • Добавляя номер позиции в виде текста
2. После применения RoPE оценка внимания между двумя токенами зависит в первую очередь от:
   • Только их абсолютные позиции
   • Их относительное расстояние (м минус n)
   • Размер словарного запаса
   • Размер партии
3. What training-efficiency comparison did the YaRN paper report for context extension?
   • Exactly the same data and steps as all prior methods
   • No fine-tuning or training data of any kind
   • About 10x fewer tokens and 2.5x fewer training steps than prior methods
   • A fixed 100x increase in output tokens
4. Почему в RoPE разные пары измерений вращаются с разной частотой?
   • Чтобы сэкономить память, пропустив некоторые измерения
   • Чтобы рандомизировать выходные данные модели
   • Потому что все пары должны использовать один и тот же угол.
   • Чтобы захватить как хороший местный порядок, так и дальнюю позицию.
5. What is the goal of techniques such as Position Interpolation and YaRN for RoPE-based models?
   • Extend the usable context length beyond the original training window using additional scaling/fine-tuning methods
   • Guarantee accurate recall at any sequence length with no evaluation
   • Remove position information from attention
   • Replace all token embeddings with absolute learned vectors
6. Does standard RoPE require learned absolute-position vectors to inject position into query and key representations?
   • Yes; it adds one learned vector for every possible sequence position
   • No; it applies position-dependent rotations to paired query/key dimensions
   • It removes query and key vectors entirely
   • It only adds position to value vectors
7. What does standard RoPE alone guarantee about a model’s context length?
   • Unlimited accurate context at every position
   • A fixed context of exactly 128 tokens
   • It does not by itself guarantee reliable use beyond the trained context length
   • Removal of the attention mechanism
8. What extended context length did the Position Interpolation paper report for its LLaMA evaluations?
   • Exactly 1,000 tokens with no position changes
   • Unlimited context with no fine-tuning
   • Up to 2 million tokens for all models
   • Up to 32,768 tokens with minimal fine-tuning