แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการใช้เหตุผลแบบต้นไม้แห่งความคิด

ตรวจสอบการแตกแขนงแบบต้นไม้แห่งความคิด การสร้างผู้สมัคร การประเมินสถานะ การตัดแต่ง กลยุทธ์การค้นหา และการแลกเปลี่ยนการอนุมานและการคำนวณ

เส้นทางแนะนำที่เกี่ยวข้องต้นไม้แห่งความคิดเหตุผล
คำถาม 1 ของ 8

Tree-of-Thoughts แตกต่างจากการกระตุ้นเตือนแบบลูกโซ่อย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. Tree-of-Thoughts แตกต่างจากการกระตุ้นเตือนแบบลูกโซ่อย่างไร
    • สำรวจเส้นทางการให้เหตุผลแบบแยกสาขาหลายเส้นทางแทนที่จะเป็นสายโซ่เชิงเส้นเส้นเดียว
    • มันลบขั้นตอนการให้เหตุผลโดยสิ้นเชิง
    • ใช้งานได้กับอินพุตรูปภาพเท่านั้น
    • มันไม่มีรูปแบบภาษาเลย
  2. ใน Tree-of-Thoughts โดยทั่วไปแล้วโหนดเดียวจะแสดงถึงอะไร
    • คำตอบสุดท้ายที่สมบูรณ์เท่านั้น
    • วิธีแก้ปัญหาบางส่วนหรือ 'ความคิด' ระดับกลาง
    • แบบสอบถามผู้ใช้
    • น้ำหนักที่ฝึกแล้ว
  3. ผู้ประเมินของรัฐมีบทบาทอย่างไรใน Tree-of-Thoughts?
    • มันเขียนคำตอบสุดท้ายที่ผู้ใช้เผชิญ
    • มันจะลบหน่วยความจำของโมเดล
    • โดยจะให้คะแนนว่าการแก้ปัญหาบางส่วนมีแนวโน้มว่าจะอ่อนแอเพียงใดจึงสามารถตัดกิ่งก้านได้
    • มันแปลระหว่างภาษาต่างๆ
  4. ในการวัดประสิทธิภาพ Game of 24 ToT ทำได้ดีกว่าห่วงโซ่ความคิดอย่างมากด้วยการก้าวกระโดดระดับใด
    • จากความสำเร็จ 90% ถึง 95%
    • ไม่มีการปรับปรุงเลย
    • จากความสำเร็จ 50% เป็น 51%
    • จากความสำเร็จประมาณ 4% เป็นประมาณ 74%
  5. กลยุทธ์การค้นหาใดที่มักใช้เพื่อนำทางแผนผังความคิด
    • การค้นหาแบบกว้างก่อน เชิงลึกก่อน หรือการค้นหาลำแสง
    • เป็นการสุ่มเดาเท่านั้น
    • การเรียงลำดับตามตัวอักษร
    • การไล่ระดับสีลงบนพิกเซล
  6. อะไรคือการแลกต้นทุนหลักของการใช้ Tree-of-Thoughts?
    • มันลดความแม่นยำเพื่อประหยัดเวลา
    • ต้องใช้การคำนวณการอนุมานมากขึ้นเพื่อแลกกับความแม่นยำที่สูงขึ้น
    • ไม่จำเป็นต้องมีการเรียกโมเดลเกินกว่าหนึ่งสาย
    • มันใช้งานได้แบบออฟไลน์เท่านั้น
  7. At one Tree-of-Thoughts node, what does the thought generator typically produce?
    • A final answer only, with no intermediate states
    • A new model checkpoint
    • Several candidate next thoughts that could extend the partial solution
    • A set of training labels for the prompt
  8. What decision does the ToT search procedure make after candidate states are generated and scored?
    • Which tokenizer the model should use
    • Whether to change the model’s weights
    • How to label the original training corpus
    • Which branches to expand and which to prune or stop exploring