Maswali ya Utafutaji wa Boriti

Majibu na maelezo huonekana unapojibu maswali.

1. Je, 'upana wa boriti' (k) hudhibiti nini katika utafutaji wa boriti?
   • Ni mifuatano mingapi ya wagombeaji ambayo huwekwa katika kila hatua ya kusimbua
   • Upeo wa urefu wa mlolongo unaozalishwa
   • Halijoto inayotumika kwa uwezekano
   • Ukubwa wa msamiati wa mfano
2. Utafutaji wa boriti unatofautiana vipi na usimbaji wa pupa?
   • Daima huchagua tokeni moja yenye uwezekano mkubwa zaidi
   • Huweka safu nyingi za alama za juu badala ya kujitolea kwa moja
   • Inatoa sampuli za ishara bila mpangilio
   • Inapuuza uwezekano wa ishara kabisa
3. Kwa nini urekebishaji wa urefu hutumiwa kawaida katika utaftaji wa boriti?
   • Kufanya kizazi haraka
   • Kuongeza saizi ya msamiati
   • Kwa sababu muhtasari wa uwezekano wa kumbukumbu hupendelea alama kuelekea mfuatano mfupi zaidi
   • Kuongeza nasibu kwa matokeo
4. Je, utafutaji wa boriti unafaa kwa kazi gani hasa?
   • Usimulizi wa hadithi za ubunifu usio na mwisho
   • Inazalisha maandishi anuwai ya nasibu
   • Kutunga mashairi yasiyotabirika
   • Tafsiri ya mashine, ambapo matokeo ya kuaminika ya uwezekano mkubwa yanahitajika
5. Ni upande gani unaojulikana wa kutumia upana mkubwa wa boriti kwa kizazi kisicho na mwisho?
   • Inaweza kutoa maandishi matupu, yanayojirudiarudia, au yenye kuharibika
   • Inahakikisha pato la ubunifu zaidi
   • Huondoa hitaji la muundo wowote wa uwezekano
   • Inafanya mfano kupuuza pembejeo
6. Katika kila hatua, utafutaji wa boriti huamua vipi watahiniwa wa kubaki?
   • Kwa mpangilio wa alfabeti wa ishara
   • Kwa alama limbikizi (jumla ya uwezekano wa kumbukumbu), kuweka kilele k
   • Kwa kuchagua wagombea mrefu zaidi
   • Kwa uteuzi wa nasibu kati ya wagombea wote
7. What problem does GNMT’s coverage penalty aim to reduce in translation?
   • Repeatedly encoding the same source vocabulary
   • The use of subword units
   • Output translations that fail to cover source words
   • The number of encoder layers
8. What does diverse beam search modify to encourage different candidate outputs?
   • It replaces the model probabilities with uniform random scores
   • It removes all but one candidate at the first step
   • It changes the training tokenizer after decoding
   • It penalizes similarity or overlap among candidates in different beam groups