Законы масштабирования для нейронных сетей. Викторина

Ответы и пояснения появляются по мере прохождения теста.

1. What pattern did Kaplan et al. report for language-model loss as model size, data, or compute increased?
   • Approximate power-law relationships over the tested ranges
   • A sudden guaranteed drop to zero
   • A fixed increase in loss for every larger model
   • Random oscillation with no measurable trend
2. Какие три величины соотносятся с потерями в первоначальных законах масштабирования?
   • Размер пакета, отсев и эпохи
   • Параметры модели, размер набора данных и вычисления
   • Скорость обучения, снижение веса и глубина
   • Количество графических процессоров, память и задержка
3. How can a scaling-law fit help when planning a larger training run?
   • It guarantees the final benchmark score
   • It eliminates the need for validation
   • It can inform an extrapolation from smaller experiments, subject to the tested setup
   • It predicts results exactly for any dataset or architecture
4. Что представляет собой постоянный (неприводимый) член в формуле потерь закона масштабирования?
   • Программная ошибка
   • Скорость обучения
   • Количество графических процессоров
   • Внутренняя энтропия данных, которую не может превзойти ни одна модель
5. Why can absolute loss reductions become smaller as compute keeps increasing under a power-law fit?
   • The reducible loss term shrinks while the loss approaches its floor
   • The data is removed after each compute increase
   • The model stops using parameters
   • Power laws require loss to increase over time
6. Какая тенденция выходит за рамки простого масштабирования по принципу «чем больше, тем лучше»?
   • Графические процессоры становятся бесплатными
   • Нехватка высококачественных данных плюс ограничения на энергию и затраты
   • Неограниченное появление высококачественного текста
   • Кривые потерь превращаются в прямые вертикальные линии
7. What did the original Kaplan study say about architecture details such as width and depth within its tested range?
   • They always dominated model size, data, and compute
   • They made loss independent of data
   • They had relatively small effects compared with the studied scaling variables
   • They guaranteed the same performance for all architectures
8. What compute-allocation tendency did the original Kaplan paper report?
   • Every model should be trained to zero loss
   • Small models always use less compute at equal loss
   • Training data has no effect on compute allocation
   • Large models could be more sample-efficient and compute-efficient training could stop before convergence