Тест по масштабированию контекстного окна YaRN

Ответы и пояснения появляются по мере прохождения теста.

1. Какую схему кодирования позиции изменяет YaRN для увеличения длины контекста?
   • Вложения с вращающимся положением (RoPE)
   • Абсолютные синусоидальные вложения
   • Изучены позиционные справочные таблицы
   • Линейные смещения ALiBi
2. Как YaRN относится к высокочастотным и низкочастотным измерениям RoPE?
   • Он интерполирует оба одинаково
   • Он полностью удаляет высокочастотные измерения.
   • Он только изменяет высокочастотные измерения
   • Он оставляет высокочастотные измерения в основном нетронутыми и интерполирует низкочастотные.
3. How should YaRN's reported data and fine-tuning efficiency be interpreted?
   • As proof that no YaRN model ever needs training
   • As results for its evaluated model-extension setups, rather than a fixed guarantee for every model
   • As a universal promise that every dataset size works equally well
   • As removal of the need for GPUs or inference computation
4. Какие дополнительные настройки, помимо изменения масштаба частот, применяет YaRN для поддержания стабильности внимания на больших расстояниях?
   • Увеличение отсева
   • Больший словарный запас
   • Регулировка температуры внимания (масштабирование softmax)
   • Градиентное отсечение
5. What motivates evaluating a RoPE model before using a context far beyond its original training length?
   • The model necessarily becomes perfectly accurate at longer lengths
   • The context extension automatically reduces memory to zero
   • A larger window proves every passage is equally easy to retrieve
   • Positional and attention behavior may degrade outside the conditions it learned
6. Наивная линейная интерполяция позиции вредит тому, какую возможность YaRN стремится сохранить?
   • Точные локальные отношения между соседними токенами
   • Размер словарного запаса модели
   • Скорость токенайзера
   • Количество слоев
7. What happens in the transition region between YaRN's high- and low-frequency treatments?
   • Every dimension is assigned a random vocabulary token
   • All transition dimensions are deleted from attention
   • The scheme blends original and interpolated frequency treatment across the relevant dimensions
   • One identical scaling rule ignores frequency differences entirely
8. What does a checkpoint's advertised longer YaRN context limit fail to establish by itself?
   • Whether the positional scheme can accept any coordinates at all
   • Reliable performance for every intended task and position within that window
   • The spelling of the model's name
   • A requirement that every inference request retrain all weights