แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการปรับขนาดการคำนวณเวลาทดสอบ

ตรวจสอบการคำนวณเวลาอนุมาน การค้นหาผู้สมัคร การจัดสรรแบบปรับเปลี่ยนได้ และการแลกเปลี่ยนต้นทุน-เวลาแฝงที่วัดในการศึกษาเวลาทดสอบ

เส้นทางแนะนำที่เกี่ยวข้องทดสอบการปรับขนาดการคำนวณเวลา
คำถาม 1 ของ 8

'การคำนวณเวลาทดสอบ' หมายถึงอะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. 'การคำนวณเวลาทดสอบ' หมายถึงอะไร
    • การคำนวณใช้เวลาในการฝึกโมเดลกับข้อมูล
    • เวลาที่ใช้ในการดาวน์โหลดโมเดล
    • การคำนวณที่ใช้เมื่อโมเดลตอบคำถามในการอนุมาน
    • ไฟฟ้าที่ใช้ในการทำความเย็นศูนย์ข้อมูล
  2. In test-time scaling studies, what can extra inference compute be used for?
    • Changing the model’s training data during the request
    • Increasing the number of model parameters automatically
    • Guaranteeing correctness without evaluation
    • Searching or revising candidate solutions and checking their quality
  3. อะไรคือข้อดีข้อเสียหลักของการปรับขนาดการประมวลผลเวลาทดสอบ?
    • ความแม่นยำที่สูงขึ้นเพื่อแลกกับเวลาแฝงและต้นทุนที่มากขึ้น
    • หน่วยความจำน้อยลง แต่การฝึกอบรมช้าลง
    • ข้อมูลมากขึ้นแต่รุ่นเล็กลง
    • กราฟิกที่ดีกว่าสำหรับความละเอียดที่ต่ำกว่า
  4. การสุ่มตัวอย่าง 'ดีที่สุด' คืออะไร
    • การฝึกอบรมเกี่ยวกับชุดข้อมูล N ที่ใหญ่ที่สุด
    • กำลังสร้างคำตอบของผู้สมัคร N รายการและเลือกคำตอบที่ดีที่สุด
    • ใช้เพียง N คำแรกของพรอมต์
    • เรียกใช้โมเดลบนคอมพิวเตอร์ N เครื่องที่แตกต่างกันเพื่อความรวดเร็ว
  5. เหตุใดการคำนวณเวลาทดสอบจึงถือเป็น 'แกนมาตราส่วน' ใหม่
    • มันมาแทนที่ความจำเป็นในการฝึกอบรมใดๆ
    • ใช้ได้กับรุ่นขนาดเล็กเท่านั้น
    • ปรับปรุงประสิทธิภาพโดยการเพิ่มการคำนวณเชิงอนุมาน แทนที่จะเพิ่มขนาดโมเดลเท่านั้น
    • จะช่วยลดจำนวนผู้ใช้ที่โมเดลสามารถให้บริการได้
  6. การประมวลผลเวลาทดสอบทำให้เกิดผลลัพธ์ที่น่าประหลาดใจอะไร
    • โมเดลสามารถทำงานได้โดยไม่ต้องใช้ GPU
    • ข้อมูลการฝึกอบรมกลายเป็นสิ่งจำเป็น
    • โมเดลจะตอบเร็วกว่าเสมอ
    • โมเดลขนาดเล็กที่คิดนานสามารถแข่งขันกับโมเดลขนาดใหญ่ที่ตอบได้ทันที
  7. What is one reason a fixed best-of-N strategy may waste inference compute?
    • It spends the same candidate budget on easy and difficult prompts
    • It modifies model weights on every query
    • It cannot generate multiple candidates
    • It eliminates the need for scoring
  8. What did the test-time compute paper compare with best-of-N sampling?
    • A strategy that disables inference
    • A compute-optimal strategy that allocates effort based on expected solution quality
    • A larger tokenizer vocabulary
    • A method that changes image resolution