แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

Mirostat Perplexity แบบทดสอบการควบคุม

ครอบคลุมความประหลาดใจ/ความฉงนสนเท่ห์เป้าหมายของ Mirostat เกณฑ์ผลตอบรับ อัตราการอัปเดต ความแตกต่างของเวอร์ชัน และขีดจำกัดในฐานะการวิเคราะห์พฤติกรรมการถอดรหัส

เส้นทางแนะนำที่เกี่ยวข้องมิโรสแตท Perplexity การควบคุม
คำถาม 1 ของ 8

What does Mirostat try to control during generation?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. What does Mirostat try to control during generation?
    • A target level of output perplexity or surprise
    • จำนวนพารามิเตอร์รุ่น
    • The training dataset size
    • อุณหภูมิของ GPU
  2. Mirostat แตกต่างโดยพื้นฐานจากการสุ่มตัวอย่าง top-k หรือ top-p มาตรฐานอย่างไร
    • มันไม่เคยใช้การสุ่ม
    • โดยจะปรับการตัดทอนแบบไดนามิกโดยใช้ผลป้อนกลับแทนการตัดทอนแบบตายตัว
    • มันใช้งานได้กับภาพเท่านั้น
    • มันต้องมีการฝึกโมเดลใหม่
  3. ใน Mirostat พารามิเตอร์ eta มีบทบาทอย่างไร?
    • มันกำหนดขนาดคำศัพท์
    • มันแก้ไขความยาวเอาต์พุต
    • เป็นอัตราการเรียนรู้ที่ควบคุมความเร็วในการปรับเกณฑ์
    • มันปิดการใช้งานการสุ่มตัวอย่าง
  4. การปรับปรุงหลักของ Mirostat เวอร์ชัน 2 เหนือเวอร์ชัน 1 คืออะไร
    • มันสร้างภาพด้วย
    • มันต้องใช้หน่วยความจำเพิ่มเติม
    • มันจะลบพารามิเตอร์ tau
    • มันยกเลิกสมมติฐานของการกระจาย Zipfian เพื่อการควบคุมที่ง่ายขึ้นและมีประสิทธิภาพยิ่งขึ้น
  5. หาก Mirostat ตรวจพบว่าเอาต์พุตนั้นคาดเดาได้ยากเกินไป มันจะ:
    • คลายการตัดทอนเพื่อยอมรับโทเค็นที่หลากหลายมากขึ้น
    • กระชับการตัดให้แน่นเพื่อให้มีโทเค็นน้อยลง
    • หยุดสร้างทันที
    • เพิ่มขนาดโมเดล
  6. Which Mirostat settings does current llama.cpp expose?
    • Tokenizer vocabulary and number of layers
    • Mode, target tau, and learning-rate eta
    • Only the prompt length
    • Training epochs and validation loss
  7. What does eta control in Mirostat’s feedback update?
    • The size of the model vocabulary
    • The target number of output tokens
    • How strongly the threshold changes in response to the observed error
    • The probability of a correct factual answer
  8. What does a Mirostat target not guarantee by itself?
    • That the sampler reads token probabilities
    • That the setting can influence surprise
    • That the output contains tokens
    • That the generated text is factually correct