EAGLE Sınavı ile Spekülatif Kod Çözme

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Spekülatif kod çözmenin ardındaki temel fikir nedir?
   • Ucuz bir taslak hazırlayıcı, büyük modelin tek bir paralel geçişte doğruladığı birden fazla token önerir
   • Modelin ağırlıklarını yarı hassasiyete sıkıştırmak
   • Ağın katmanlarını rastgele atlamak
   • Olası her çıktı cümlesini önceden önbelleğe alma
2. EAGLE'ın önceki spekülatif kod çözme yaklaşımlarından farkı nedir?
   • Doğrulama adımını tamamen ortadan kaldırır
   • Doğrudan belirteç düzeyinden ziyade modelin gizli özellik alanında taslak oluşturur
   • Taslak hazırlayıcı olarak tamamen ayrı, daha büyük bir model kullanır
   • Yalnızca görüntü oluşturmak için çalışır
3. Why is speculative decoding considered lossless when implemented with exact verification?
   • Every draft token is accepted unconditionally
   • The drafter always predicts the target’s next token
   • The acceptance and correction procedure preserves the target model’s output distribution
   • The target model is never evaluated
4. EAGLE'ın özellik taslağındaki hangi sorun, önceki belirtecin yerleştirilmesinin geri beslenmesiyle çözülmeye yardımcı olur?
   • GPU'da bellek parçalanması
   • Diller arasında belirteç uyumsuzluğu
   • Donanımın aşırı ısınması
   • Bir sonraki özelliği tahmin etmenin belirsizliği/belirsizliği
5. EAGLE-2 orijinal EAGLE'ın üzerine ne ekledi?
   • Kaç adayın önerileceğini uyarlayan dinamik bir taslak ağacı
   • Sabit tek jetonlu taslak
   • LM kafasının çıkarılması
   • Yalnızca iki kat veriyle eğitim
6. Otoregresif darboğaz neden düz LLM oluşumunu yavaşlatıyor?
   • Model her jetondan sonra kendini yeniden eğitir
   • Her yeni token, bir sonrakinin başlayabilmesi için milyarlarca parametreden tam bir ileri geçişe ihtiyaç duyar
   • Belirteçler adımlar arasında diskte saklanır
   • GPU'nun jeton başına yeniden başlatılması gerekir
7. After EAGLE predicts a hidden-state feature, which component turns that feature into candidate token probabilities?
   • The tokenizer’s vocabulary file alone
   • The optimizer’s momentum buffer
   • The target model’s language-model head
   • The KV-cache allocator
8. What change does EAGLE-3 make to the original feature-drafting constraint?
   • It replaces the target model with a tokenizer
   • It disables target verification
   • It requires a separate human drafter
   • It removes a feature-prediction constraint to improve scaling