แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการใช้ Toolformer และเครื่องมือที่เรียนรู้ด้วยตนเอง

ตรวจสอบการสร้างการโทรแบบควบคุมตนเองของ Toolformer การกรองตามการสูญเสีย เครื่องหมาย API เครื่องมือที่เลือก และขั้นตอนการปรับแต่งขั้นสุดท้าย

คำถาม 1 ของ 8

อะไรทำให้แนวทางการใช้เครื่องมือการเรียนรู้ของ Toolformer มีความโดดเด่น

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อะไรทำให้แนวทางการใช้เครื่องมือการเรียนรู้ของ Toolformer มีความโดดเด่น
    • สร้างและกรองตัวอย่างการฝึกอบรมการเรียกเครื่องมือของตนเองโดยมีการดูแลตนเอง
    • มันอาศัยการเรียกเครื่องมือที่ติดป้ายกำกับโดยมนุษย์นับพันครั้ง
    • ใช้การเรียนรู้แบบเสริมแรงจากผลตอบรับของมนุษย์เท่านั้น
    • มันฮาร์ดโค้ดทุกการเรียกเครื่องมือด้วยมือ
  2. Toolformer ใช้เกณฑ์ใดในการตัดสินใจว่าจะคงการเรียก API ของผู้สมัครไว้หรือไม่
    • ไม่ว่าผู้ประเมินที่เป็นมนุษย์จะอนุมัติหรือไม่
    • ผลลัพธ์ของการโทรจะช่วยลดการสูญเสียของโมเดลในโทเค็นต่อไปนี้หรือไม่
    • ไม่ว่าการโทรจะส่งคืนสตริงที่ไม่ว่างเปล่าหรือไม่
    • ไม่ว่าการโทรจะทำงานภายในหนึ่งวินาทีหรือไม่
  3. Toolformer ดั้งเดิมเรียนรู้การใช้ชุดเครื่องมือใด
    • เครื่องกำเนิดภาพ เครื่องสังเคราะห์เสียงเพลง และเครื่องเรนเดอร์ 3 มิติ
    • มีเพียงล่าม Python เท่านั้น
    • เครื่องคิดเลข ระบบประกันคุณภาพ โปรแกรมค้นหา นักแปล และปฏิทิน
    • เว็บเบราว์เซอร์และระบบไฟล์เท่านั้น
  4. การเรียกเครื่องมือแสดงในข้อความระหว่างกระบวนการของ Toolformer อย่างไร
    • เป็นช่องสัญญาณเสียงแยกกัน
    • ตามภาพที่แนบมากับเอกสาร
    • เป็นรายการในฐานข้อมูลภายนอกเท่านั้น
    • เป็นโทเค็นพิเศษที่ทำเครื่องหมายการเรียก API และผลลัพธ์แบบอินไลน์
  5. จุดอ่อนที่ซ่อนอยู่ของโมเดลภาษาขนาดใหญ่เป็นแรงบันดาลใจให้ Toolformer หรือไม่
    • พวกเขาไม่เก่งในเรื่องเลขคณิต ข้อเท็จจริงในปัจจุบัน และการค้นหาที่แม่นยำ
    • พวกเขาไม่สามารถสร้างประโยคได้คล่อง
    • ไม่สามารถปรับได้อย่างละเอียด
    • พวกเขาทำงานเป็นภาษาอังกฤษเท่านั้น
  6. หลังจากสร้างและกรองตัวอย่างการเรียกใช้เครื่องมือแล้ว Toolformer จะทำอะไรกับตัวอย่างเหล่านั้น
    • ละทิ้งพวกเขาและเริ่มต้นใหม่
    • ปรับแต่งโมเดลบนชุดข้อมูลที่กรองและสร้างขึ้นเอง
    • ส่งไปยังผู้อธิบายประกอบที่เป็นมนุษย์เพื่อติดป้ายกำกับใหม่
    • เก็บไว้เพื่อการประเมินผลเท่านั้น
  7. Why compare the next-token loss with and without an API result when filtering a candidate call?
    • To select the API with the longest response
    • To remove all calls that change the context
    • To retain calls whose result improves prediction of the following real text
    • To maximize the number of API calls per paragraph
  8. Once useful tool-call examples are filtered, how does Toolformer incorporate them?
    • It discards them and trains only on human ratings
    • It changes the API results into class labels
    • It retrains each external API from scratch
    • It fine-tunes on the resulting self-generated examples