Вікторина з розшифровки Lookahead

Відповіді та пояснення з’являються під час виконання тесту.

1. Що відрізняє випереджальне декодування від стандартного спекулятивного декодування?
   • Для цього потрібні дві окремо навчені моделі
   • Він не використовує окрему чорнову модель — лише саму цільову модель
   • Він працює лише для завдань перекладу
   • Він постійно квантує модель
2. Який чисельний метод лежить в основі попереднього декодування?
   • Градієнтний спуск
   • Перетворення Фур'є
   • K-означає кластеризацію
   • Ітерація Якобі (з фіксованою комою).
3. Які дві паралельні гілки проходять на кожному кроці?
   • Навчальна гілка та тестова гілка
   • Кодер і декодер
   • Гілка перегляду та гілка перевірки
   • Чорнова модель і цільова модель
4. Що зберігається в «n-грамовому пулі»?
   • Правдоподібні послідовності з кількома маркерами, які можна побачити під час паралельних ітерацій
   • Історія чату користувача
   • Модельні ваги
   • Маски уваги
5. What supports correctness when lookahead decoding commits a guessed n-gram prefix?
   • Using the same model makes every unverified guess correct
   • Every candidate in the n-gram pool must be committed
   • Verification against the target's greedy predictions or an appropriate distribution-preserving sampling procedure
   • A larger window proves the generated statements are true
6. What resource tradeoff is important when deploying lookahead decoding on already busy hardware?
   • Candidate generation uses no compute or memory
   • Additional parallel work may offset the benefit of fewer sequential passes
   • Every larger window must lower wall-clock latency
   • The target weights are automatically compressed to zero size
7. Why should a lookahead candidate remain provisional until target verification?
   • Parallel iteration guesses can differ from the target's valid continuation
   • Every cached n-gram has already been proven correct by storage alone
   • The lookahead branch permanently changes the target weights
   • Verification is needed only to determine the output filename
8. Does a standard training-free lookahead iteration update the target model's learned weights?
   • Yes; each candidate applies a gradient update to every parameter
   • Yes; verified n-grams become a new training dataset immediately
   • Only the tokenizer's vocabulary is retrained at every step
   • No; it changes candidate token states and verifies outputs while keeping the model weights fixed