Викторина, связанная с руководством · Средний Уровень

Викторина по моделям Zhipu GLM

Охватывает имя GLM и цели обучения, происхождение ChatGLM, текущие выпуски для конкретных моделей и осторожную интерпретацию обновлений компании.

Связанные направляющие путиМодели Zhipu Glm
Вопрос 1 из 8

Что означает GLM в моделях Zhipu?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что означает GLM в моделях Zhipu?
    • Общая языковая модель
    • Глобальная обучающая машина
    • Графическая модель слоя
    • Модуль генеративной логики
  2. С каким университетом Жипу АИ наиболее тесно связан?
    • Пекинский университет
    • Университет Цинхуа
    • Массачусетский технологический институт
    • Фуданьский университет
  3. What did the ChatGLM-6B release make available to developers?
    • A video-only diffusion model
    • A proprietary API with no released model
    • A bilingual Chinese-English chatbot model with deployment options for local hardware
    • A database for image annotations
  4. What does CogVideoX generate from a text prompt?
    • A protein structure
    • A transaction graph
    • A speech transcript only
    • A video clip
  5. Как реализуется первоначальная цель обучения GLM?
    • Он маскирует фрагменты текста и заполняет пробелы авторегрессионным способом.
    • Он только предсказывает следующее слово
    • Он группирует слова без меток
    • Он ранжирует результаты поиска
  6. What is a stable technical question to ask about a specific Zhipu GLM release?
    • Whether all GLM releases have identical limits
    • Which capabilities, license, and evaluation results are documented for that exact version
    • Whether the company name predicts model quality
    • Whether a single benchmark proves general superiority
  7. What deployment option does the ChatGLM-6B repository document for reducing memory requirements?
    • Increasing the model to 70 billion parameters
    • Удаление всех слоев внимания
    • Quantized inference configurations such as 4-bit loading
    • Training a new tokenizer at each request
  8. How does the original GLM paper describe positional information for infilling spans?
    • It uses no position information
    • It assigns each document one global position
    • It treats masked spans as image patches
    • It uses two-dimensional positions to represent text position and the infilling span