Rehber bağlantılı sınav · Orta Seviye
Aracıların Karışımı Toplama Testi
MoA'nın teklif veren ve toplayıcı rollerini, taslakların katmanlı paylaşımını, işbirliği etkilerini ve çıkarım-maliyet dengelerini gözden geçirin.
Soru 1 arasında 8
Aracıların Karışımı'nda toplayıcı modelinin rolü nedir?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Aracıların Karışımı'nda toplayıcı modelinin rolü nedir?
- Teklif veren modellerin yanıtlarını tek bir gelişmiş yanıtta sentezlemek
- Biri hariç tüm taslağı rastgele silmek için
- İstemi koda çevirmek için
- Teklif veren modelleri eğitmek
- MoA belgesi Yüksek Lisans'ın hangi temel özelliğine dayanıyor?
- LLM'lerin diğer modellerin çıktılarını okuyamaması
- Yüksek Lisans'ın akranlarının yanıtları gösterildiğinde daha iyi yanıtlar üretmesi ('işbirlikçilik')
- LLM'lerin her zaman aynı fikirde olduğu
- Daha büyük modellerin gereksiz olması
- MoA'nın basit çoğunluk oylamasından farkı nedir?
- Kelimenin tam anlamıyla en yaygın cevabı seçer
- Yalnızca bir model kullanır
- Toplayıcı tüm taslakları bağlam olarak okur ve yeni bir sentez üretir
- Teklif verenleri tamamen görmezden geliyor
- Teklif veren modeller arasındaki çeşitlilik MoA'da neden değerlidir?
- Aynı çıktıları garanti eder
- Katman sayısını sıfıra indirir
- Bütün cevapları yanlış yapıyor
- Farklı model aileleri, toplayıcının birleştirebileceği tamamlayıcı güçlere katkıda bulunur
- MoA yaklaşımının temel pratik maliyeti nedir?
- Her katman model çağrılarını çoğalttığından daha yüksek gecikme ve işlem süresi
- Hiçbir çıkarım gerektirmez
- Yalnızca tek bir kelimenin çıktısını alabilir
- Orijinal istemi siler
- MoA belgesi AlpacaEval 2.0'daki açık kaynaklı modeller hakkında neler bildirdi?
- Benchmark'ı çalıştıramadılar
- Açık modellerden oluşan bir MoA, GPT-4 Omni'nin puanını aştı
- Açık modeller her zaman sıfır puan aldı
- Yalnızca kapalı modeller test edildi
- What information is given to an agent in a later Mixture-of-Agents layer?
- Only the original prompt with all earlier drafts removed
- Only a majority-vote label
- The outputs produced by agents in the preceding layer
- A gradient update from each previous model
- What is the purpose of placing several proposer models in the first MoA layer?
- Train a shared base model from scratch
- Choose one response by majority vote and discard the rest
- Compress all outputs into a single token
- Create a set of candidate responses for later agents and the aggregator to use