İleriye Yönelik Kod Çözme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. İleriye dönük kod çözmeyi standart spekülatif kod çözmeden ayıran nedir?
   • Ayrı ayrı eğitilmiş iki model gerektirir
   • Ayrı bir taslak model kullanmaz; yalnızca hedef modelin kendisini kullanır
   • Yalnızca çeviri görevlerinde çalışır
   • Modeli kalıcı olarak kuantize eder
2. Hangi sayısal yöntem ileriye dönük kod çözmeyi destekler?
   • Gradyan iniş
   • Fourier dönüşümü
   • K-kümeleme anlamına gelir
   • Jacobi (sabit nokta) yinelemesi
3. Her adımda uzanan iki paralel dal nedir?
   • Bir eğitim şubesi ve bir test şubesi
   • Bir kodlayıcı ve bir kod çözücü
   • Bir ileriye dönük şube ve bir doğrulama şubesi
   • Bir taslak model ve bir hedef model
4. 'N-gram havuzunda' neler saklanır?
   • Paralel yinelemeler sırasında görülen makul çoklu jeton dizileri
   • Kullanıcının sohbet geçmişi
   • Model ağırlıkları
   • Dikkat maskeleri
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed