Model Birleştirme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Model birleştirme öncelikle neyi birleştirir?
   • Birden fazla modelin ağırlıkları (parametreleri)
   • Birden fazla modelin eğitim veri kümeleri
   • Çıkarım anında birden fazla modelin çıktı tahminleri
   • Eğitim için kullanılan donanım hızlandırıcılar
2. Bir 'görev vektörü' en iyi şekilde şu şekilde tanımlanır:
   • Bir modelin gerçekleştirebileceği görevlerin listesi
   • İnce ayarlanmış bir modelin ağırlıkları ile temel modelin ağırlıkları arasındaki fark
   • Bir görev için giriş belirteçlerinin vektörü
   • Tek bir eğitim adımı sırasında hesaplanan gradyan
3. In the described weight-space merging methods, what can be avoided?
   • Evaluation of the merged checkpoint
   • Compatibility requirements between model weights
   • Additional gradient training and access to the original training data
   • Testing the result on intended tasks
4. How do TIES-Merging and DARE differ in addressing parameter interference?
   • Both use the same sign-voting method and differ only in scale
   • DARE uses prompt engineering while TIES retrains on joint data
   • Both average model outputs instead of changing weights
   • They use different techniques: TIES resolves sign conflicts, while DARE drops and rescales task-vector entries
5. İki modelin başarılı bir şekilde birleştirilmesinin temel ön koşulu şudur:
   • Aynı mimariyi paylaşır ve genellikle ortak bir temel modelden gelir
   • Aynı veriler üzerinde eğitildiler
   • Tam olarak aynı sayıda eğitim adımına sahip olun
   • Yalnızca aynı belirteç kelime boyutunu kullanın
6. In task arithmetic, what do coefficients control when combining task vectors?
   • Which tokenizer each checkpoint must use
   • How strongly each parameter-change vector contributes to the merged checkpoint
   • How many training examples are generated
   • Whether an evaluation set is required
7. What are the three main stages named by TIES-Merging?
   • Tokenize text, infer emotions, and export audio
   • Quantize weights, shard GPUs, and route network packets
   • Trim small changes, elect a sign direction, then merge aligned parameter updates
   • Train a reward model, collect labels, and run PPO
8. Why should teams evaluate each task after a model merge?
   • Merging guarantees every benchmark improves
   • Evaluation is needed only to calculate the file size
   • A merged model cannot be run without retraining
   • Combining weight updates can create interference or reduce performance on a task