FP8 ve Düşük Hassasiyetli Formatlar Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Bir FP8 numarası standart bir FP32 numarasına kıyasla kaç bit kullanır?
   • 8 bit vs 16 bit (yarım)
   • 8 bit vs 64 bit (sekizinci)
   • 8 bit vs 32 bit (çeyrek)
   • 8 bit vs 8 bit (aynı)
2. 'E4M3' ve 'E5M2' etiketleri FP8 formatı hakkında neyi tanımlar?
   • Hata oranı ve model boyutu
   • Mantis bitlerine karşı üs bitlerinin sayısı
   • Saat hızı ve hafıza kanalı
   • Eğitim dönemleri ve model katmanları
3. FP8 işlem hatları neden tensörlere ölçeklendirme faktörleri uyguluyor?
   • Güvenlik amacıyla ağırlıkları şifrelemek için
   • Model katmanlarının sayısını artırmak için
   • Modeli farklı bir dile dönüştürmek için
   • Değerleri FP8'in dar temsil edilebilir aralığı içinde tutmak ve taşma/eksikliği önlemek için
4. FP8 kullanmanın ana dezavantajı hangi ödünleşimdir?
   • Azaltılmış sayısal hassasiyet (yuvarlama hataları)
   • Daha yüksek bellek kullanımı
   • Daha yavaş matris çarpımı
   • Herhangi bir GPU'da çalışamama
5. Hangi NVIDIA GPU nesli, FP8 matris matematiği için özel donanım desteğini ilk ekledi?
   • Paskal (P100)
   • Hazne (H100)
   • Kepler (K80)
   • Maxwell (M40)
6. Hassas formatlarda FP8'in ötesine geçen trend nedir?
   • Çıkarım için 64 bitlik çift duyarlıklılığa dönüş
   • Kayan noktayı tamamen metin lehine ortadan kaldırmak
   • Tüm model ağırlıkları için yalnızca FP32 kullanılması
   • MXFP4 ve NVFP4 gibi daha düşük bit mikro ölçeklendirme formatları bile
7. A tensor’s values need more dynamic range. Which common FP8 encoding allocates more exponent bits?
   • E5M2
   • E4M3
   • Both allocate zero exponent bits
   • Neither encoding uses an exponent
8. Why can an FP8 result differ from the same operation using FP32 inputs?
   • Eight-bit input storage is automatically exact for every real value
   • FP8 removes all mathematical operations
   • The lower-precision input representation can introduce rounding error
   • Higher-precision accumulation restores every lost input detail