แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
การแก้ไขแบบเก็งกำไรสำหรับแบบทดสอบโค้ดโมเดล
ตรวจสอบวิธีที่ซอร์สโค้ดที่ไม่เปลี่ยนแปลงกลายเป็นร่าง, วิธีที่คำนำหน้าที่ได้รับการตรวจสอบแล้วได้รับการยอมรับ และสาเหตุที่ขนาดการแก้ไขขับเคลื่อนต้นทุนการสร้างแบบคาดการณ์ล่วงหน้า (speculative generation)
คำถาม 1 ของ 8
การสังเกตหลักข้อใดที่ทำให้การแก้ไขแบบเก็งกำไรมีประสิทธิภาพ
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การสังเกตหลักข้อใดที่ทำให้การแก้ไขแบบเก็งกำไรมีประสิทธิภาพ
- โทเค็นของไฟล์ที่แก้ไขส่วนใหญ่มักจะเหมือนกันกับต้นฉบับ
- โมเดล AI ไม่สามารถอ่านโค้ดได้เลย
- ไฟล์จะต้องถูกสร้างใหม่ตั้งแต่ต้นเสมอ
- รหัสไม่มีโครงสร้างที่คาดเดาได้
- 'แบบร่าง' มาจากไหนในการแก้ไขแบบเก็งกำไร เมื่อเปรียบเทียบกับการถอดรหัสแบบเก็งกำไรทั่วไป
- จากแบบร่างเล็กๆที่แยกออกมา
- จากการแก้ไขซอร์สโค้ดที่มีอยู่
- จากการสุ่มตัวอย่าง
- จากผู้ตรวจสอบที่เป็นมนุษย์
- การถอดรหัสอัตโนมัติแบบมาตรฐานจะสร้างโทเค็นได้อย่างไร
- โทเค็นจำนวนมากขนานกันต่อการผ่าน
- โทเค็นทั้งหมดพร้อมกันโดยไม่มีโมเดล
- หนึ่งโทเค็นต่อการส่งต่อ
- บนคลัสเตอร์ GPU เท่านั้น
- ในวิธีการเก็งกำไร จะเกิดอะไรขึ้นกับการเรียกใช้โทเค็นที่เสนอซึ่งแบบจำลองยืนยันว่าถูกต้อง
- พวกเขาจะถูกทิ้งและสร้างขึ้นใหม่
- พวกเขาถูกส่งไปยังมนุษย์เพื่อขออนุมัติ
- พวกเขาทำให้เกิดข้อผิดพลาด
- พวกเขาได้รับการยอมรับในการส่งต่อครั้งเดียวโดยประมาณ
- ด้วยการแก้ไขแบบเก็งกำไร ต้นทุนการสร้างจะปรับขนาดใกล้เคียงกับอะไรมากที่สุด
- ขนาดการแก้ไขจริง (ส่วนต่าง)
- ขนาดรวมของไฟล์
- จำนวนไฟล์ใน repo
- จำนวนพารามิเตอร์ของโมเดล
- สถานการณ์ใดที่ได้ประโยชน์มากที่สุดจากการแก้ไขเชิงคาดเดา
- กำลังเขียนไฟล์ใหม่จากบัฟเฟอร์ว่าง
- การเปลี่ยนชื่อสัญลักษณ์ในไฟล์ขนาดใหญ่ส่วนใหญ่ไม่มีการเปลี่ยนแปลง
- ตอบคำถามเรื่องไม่สำคัญทั่วไป
- สร้างสรรค์บทกวีสั้น ๆ เดี่ยว ๆ
- 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
- 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