Tekrarlama Cezası ve Kod Çözme Kontrolleri Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. 'Sıcaklık' parametresini yükseltmek modelin çıktısına ne yapar?
   • Daha rastgele ve çeşitli hale getirir
   • Daha belirleyici ve odaklı hale getirir
   • Modelin ağırlıklarını kalıcı olarak değiştirir
   • Üretimi hızlandırır
2. Top-p (çekirdek) örneklemesi hangi tokenlerin dikkate alınacağına nasıl karar verir?
   • Olasılığa bakılmaksızın sabit sayıda jeton tutar
   • Olasılıkları toplamı bir eşiğe eşit olan en küçük token setini tutar
   • Yalnızca en olası tek jetonu tutar
   • Tokenları %50'nin üzerinde olasılıkla tutar
3. Tekrarlama cezası genellikle hangi aşamada devreye girer?
   • Nesilden sonraki ham metin üzerine
   • Eğitim verileri hakkında
   • Softmax'tan önceki logitlerde
   • Tokenizer sözlüğü hakkında
4. In OpenAI’s text-generation API, how do presence and frequency penalties differ?
   • Belirteç sayımı ile mevcudiyet cezası ölçekleri; frekans cezası sabit
   • Onlar aynı
   • Her ikisi de yalnızca ilk jeton için geçerlidir
   • Frequency penalty scales with how often a token appeared; presence penalty applies once if it appeared at all
5. For code completion where deterministic sampling is desired, which setting best matches the guide?
   • Sıfıra yakın sıcaklık
   • Çok yüksek sıcaklık
   • 2.0'ın üzerinde yüksek tekrarlama cezası
   • Yüksek sıcaklıkta en yüksek puan 1,0
6. Top-k örnekleme ne işe yarar?
   • Belirteçlerin k olasılığına göre toplanmasını sağlar
   • Aday olarak yalnızca en olası k tokeni tutar
   • Tüm logitleri k ile çarpar
   • Eğitimden en az olası k jetonu kaldırır
7. With a repetition penalty above 1, how does a standard logits processor adjust a previously seen token?
   • It sets every repeated-token logit to zero
   • It adds the penalty to every token equally
   • It divides a positive logit by the penalty and multiplies a negative logit by it
   • It removes the token from the vocabulary permanently
8. How does top-k differ from top-p sampling?
   • Top-k uses cumulative probability while top-p fixes a count
   • Top-k changes model weights while top-p changes the tokenizer
   • They are both deterministic decoding methods
   • Top-k keeps a fixed number of candidates; top-p keeps a probability-mass-based set