แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

การแก้ไขแบบเก็งกำไรสำหรับแบบทดสอบโค้ดโมเดล

ตรวจสอบวิธีที่ซอร์สโค้ดที่ไม่เปลี่ยนแปลงกลายเป็นร่าง, วิธีที่คำนำหน้าที่ได้รับการตรวจสอบแล้วได้รับการยอมรับ และสาเหตุที่ขนาดการแก้ไขขับเคลื่อนต้นทุนการสร้างแบบคาดการณ์ล่วงหน้า (speculative generation)

เส้นทางแนะนำที่เกี่ยวข้องการแก้ไขเชิงคาดเดาสำหรับโมเดลโค้ด
คำถาม 1 ของ 8

การสังเกตหลักข้อใดที่ทำให้การแก้ไขแบบเก็งกำไรมีประสิทธิภาพ

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การสังเกตหลักข้อใดที่ทำให้การแก้ไขแบบเก็งกำไรมีประสิทธิภาพ
    • โทเค็นของไฟล์ที่แก้ไขส่วนใหญ่มักจะเหมือนกันกับต้นฉบับ
    • โมเดล AI ไม่สามารถอ่านโค้ดได้เลย
    • ไฟล์จะต้องถูกสร้างใหม่ตั้งแต่ต้นเสมอ
    • รหัสไม่มีโครงสร้างที่คาดเดาได้
  2. 'แบบร่าง' มาจากไหนในการแก้ไขแบบเก็งกำไร เมื่อเปรียบเทียบกับการถอดรหัสแบบเก็งกำไรทั่วไป
    • จากแบบร่างเล็กๆที่แยกออกมา
    • จากการแก้ไขซอร์สโค้ดที่มีอยู่
    • จากการสุ่มตัวอย่าง
    • จากผู้ตรวจสอบที่เป็นมนุษย์
  3. การถอดรหัสอัตโนมัติแบบมาตรฐานจะสร้างโทเค็นได้อย่างไร
    • โทเค็นจำนวนมากขนานกันต่อการผ่าน
    • โทเค็นทั้งหมดพร้อมกันโดยไม่มีโมเดล
    • หนึ่งโทเค็นต่อการส่งต่อ
    • บนคลัสเตอร์ GPU เท่านั้น
  4. ในวิธีการเก็งกำไร จะเกิดอะไรขึ้นกับการเรียกใช้โทเค็นที่เสนอซึ่งแบบจำลองยืนยันว่าถูกต้อง
    • พวกเขาจะถูกทิ้งและสร้างขึ้นใหม่
    • พวกเขาถูกส่งไปยังมนุษย์เพื่อขออนุมัติ
    • พวกเขาทำให้เกิดข้อผิดพลาด
    • พวกเขาได้รับการยอมรับในการส่งต่อครั้งเดียวโดยประมาณ
  5. ด้วยการแก้ไขแบบเก็งกำไร ต้นทุนการสร้างจะปรับขนาดใกล้เคียงกับอะไรมากที่สุด
    • ขนาดการแก้ไขจริง (ส่วนต่าง)
    • ขนาดรวมของไฟล์
    • จำนวนไฟล์ใน repo
    • จำนวนพารามิเตอร์ของโมเดล
  6. สถานการณ์ใดที่ได้ประโยชน์มากที่สุดจากการแก้ไขเชิงคาดเดา
    • กำลังเขียนไฟล์ใหม่จากบัฟเฟอร์ว่าง
    • การเปลี่ยนชื่อสัญลักษณ์ในไฟล์ขนาดใหญ่ส่วนใหญ่ไม่มีการเปลี่ยนแปลง
    • ตอบคำถามเรื่องไม่สำคัญทั่วไป
    • สร้างสรรค์บทกวีสั้น ๆ เดี่ยว ๆ
  7. A code edit changes only one short function in a large file. Where is speculative generation work concentrated?
    • Across every unchanged token in the file
    • In retraining the code model
    • In the divergent edited span that does not match the existing source draft
    • In regenerating the file’s tokenizer vocabulary
  8. When speculative verification finds a mismatch with the target model, what should the edit system do?
    • Accept every remaining draft token
    • Discard the entire model checkpoint
    • Replace the target model with the draft
    • Stop accepting that draft prefix and generate the corrected span