YaRN Bağlam Penceresi Ölçeklendirme Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. YaRN bağlam uzunluğunu genişletmek için hangi konum kodlama şemasını değiştirir?
   • Döner Pozisyon Gömmeleri (RoPE)
   • Mutlak sinüzoidal gömmeler
   • Öğrenilen konumsal arama tabloları
   • ALiBi doğrusal önyargıları
2. YaRN, yüksek frekanslı ve düşük frekanslı RoPE boyutlarını nasıl ele alıyor?
   • Her ikisini de eşit şekilde enterpolasyon yapar
   • Yüksek frekanslı boyutları tamamen ortadan kaldırır
   • Yalnızca yüksek frekanslı boyutları değiştirir
   • Yüksek frekanslı boyutları çoğunlukla sağlam bırakır ve düşük frekanslı olanları enterpolasyona tabi tutar
3. How should YaRN's reported data and fine-tuning efficiency be interpreted?
   • As proof that no YaRN model ever needs training
   • As results for its evaluated model-extension setups, rather than a fixed guarantee for every model
   • As a universal promise that every dataset size works equally well
   • As removal of the need for GPUs or inference computation
4. Frekansları yeniden ölçeklendirmenin yanı sıra, uzun mesafeli dikkati sabit tutmak için YaRN hangi ekstra ayarlamayı uygular?
   • Bırakma artışı
   • Daha geniş bir kelime dağarcığı
   • Dikkat sıcaklığı (softmax ölçeklendirme) ayarı
   • Degrade kırpma
5. What motivates evaluating a RoPE model before using a context far beyond its original training length?
   • The model necessarily becomes perfectly accurate at longer lengths
   • The context extension automatically reduces memory to zero
   • A larger window proves every passage is equally easy to retrieve
   • Positional and attention behavior may degrade outside the conditions it learned
6. Saf doğrusal Konum İnterpolasyonu, YaRN'nin korumayı amaçladığı yeteneklerden hangisine zarar verir?
   • Yakındaki tokenler arasında iyi yerel ilişkiler
   • Modelin kelime dağarcığı boyutu
   • Tokenizer'ın hızı
   • Katman sayısı
7. What happens in the transition region between YaRN's high- and low-frequency treatments?
   • Every dimension is assigned a random vocabulary token
   • All transition dimensions are deleted from attention
   • The scheme blends original and interpolated frequency treatment across the relevant dimensions
   • One identical scaling rule ignores frequency differences entirely
8. What does a checkpoint's advertised longer YaRN context limit fail to establish by itself?
   • Whether the positional scheme can accept any coordinates at all
   • Reliable performance for every intended task and position within that window
   • The spelling of the model's name
   • A requirement that every inference request retrain all weights